[论文解读] A Cascaded Convolutional Neural Network for X-ray Low-dose CT Image Denoising

Dufan Wu, Kyung Sang Kim+2 more|arXiv (Cornell University)|May 11, 2017

Medical Imaging Techniques and Applications参考文献 22被引用 57

一句话总结

论文提出一个级联的CNN框架，一系列CNN去噪器在逐步去噪的数据上训练，以迭代减少低剂量CT图像中的伪影，相对于单次去噪器在PSNR/SSIM上有提升。

ABSTRACT

Image denoising techniques are essential to reducing noise levels and enhancing diagnosis reliability in low-dose computed tomography (CT). Machine learning based denoising methods have shown great potential in removing the complex and spatial-variant noises in CT images. However, some residue artifacts would appear in the denoised image due to complexity of noises. A cascaded training network was proposed in this work, where the trained CNN was applied on the training dataset to initiate new trainings and remove artifacts induced by denoising. A cascades of convolutional neural networks (CNN) were built iteratively to achieve better performance with simple CNN structures. Experiments were carried out on 2016 Low-dose CT Grand Challenge datasets to evaluate the method's performance.

研究动机与目标

• 为了在降低辐射剂量的同时保留诊断质量，进行低剂量CT去噪的动机。
• 提出一种级联训练方案，通过在每个阶段学习残差来细化去噪。
• 在标准低剂量CT数据上将级联方法与传统去噪方法和基线神经网络进行评估。

提出的方法

• 使用残差学习的CNN将低剂量CT映射到低剂量与正常剂量之间的差值。
• 在 xL 到 xH 上训练 f1 以获得 xD(1)；训练 f2 将 xD(1) 映射到 xD(1)−xH，输入与 xL 级联以保留信息。
• 在相同结构下重复级联，同时调整输入通道；所有CNN除了第一层和最后一层外均共享3x3x64卷积核、BN和ReLU。
• 损失函数为 L2；训练使用 ADAM，学习率 1e-4，权重衰减 1e-4；在来自7位患者的3,933张切片的补丁（40x40）上训练。
• 级联系统与残差网络相关，通过堆叠输入而不是通过跳跃连接相加；在逐步细化去噪方面与 SSDA 概念相似。

实验结果

研究问题

• RQ1 级联CNN在逐步去噪数据上训练，是否比单一CNN在低剂量CT去噪中更有效地减少伪影？
• RQ2 与传统方法相比，级联数量如何影响客观图像质量指标（PSNR、SSIM）？
• RQ3 与 BM3D/WNNM 或简单的 MLP 相比，级联CNN是否更好地保留诊断性结构，如病灶？

主要发现

• 级联显著提高了原始去噪和混合结果在 CNN5、CNN10、CNN15 的 PSNR。
• 混合结果（70% 去噪、30% 低剂量）在更多级联时显示 SSIM 提升，而原始去噪的 SSIM 可能趋于饱和或下降。
• 在9张切片的平均 SSIM 中，CNN级联优于 BM3D 和 WNNM；CNN15-4 在此比较中报告的 SSIM 最高。
• MLP级联的改进不如CNN级联，表明CNN更好地捕捉CT噪声特性。
• 定性结果显示级联CNN减少条带伪影，并在病灶可见性方面优于单次去噪和传统方法。