[论文解读] Deep Learning for Low-Dose CT Denoising

Maryam Gholizadeh-Ansari, Javad Alirezaie+1 more|arXiv (Cornell University)|Feb 25, 2019

Medical Imaging Techniques and Applications参考文献 38被引用 4

一句话总结

本文提出了一种用于低剂量CT去噪的深度学习框架，结合了空洞卷积、残差学习、不可训练的边缘检测层以及均方误差（MSE）与感知损失的混合损失函数。该方法通过保留细小纹理和边缘，同时减少过度平滑和网格状伪影，显著提升了图像质量，在模拟和真实的低剂量CT数据集上均达到了最先进性能。

ABSTRACT

Low-dose CT denoising is a challenging task that has been studied by many researchers. Some studies have used deep neural networks to improve the quality of low-dose CT images and achieved fruitful results. In this paper, we propose a deep neural network that uses dilated convolutions with different dilation rates instead of standard convolution helping to capture more contextual information in fewer layers. Also, we have employed residual learning by creating shortcut connections to transmit image information from the early layers to later ones. To further improve the performance of the network, we have introduced a non-trainable edge detection layer that extracts edges in horizontal, vertical, and diagonal directions. Finally, we demonstrate that optimizing the network by a combination of mean-square error loss and perceptual loss preserves many structural details in the CT image. This objective function does not suffer from over smoothing and blurring effects caused by per-pixel loss and grid-like artifacts resulting from perceptual loss. The experiments show that each modification to the network improves the outcome while only minimally changing the complexity of the network.

研究动机与目标

• 为解决低剂量CT扫描中噪声增加导致的辐射风险上升和诊断准确率下降的问题。
• 开发一种快速、与厂商无关的图像域去噪方法，无需访问原始角分布数据。
• 通过保留结构细节和边缘，同时最小化过度平滑和伪影，提升图像质量。
• 结合感知损失与MSE损失，平衡感知保真度与像素级精度。
• 在真实和模拟的低剂量CT数据上，验证架构创新（空洞卷积、残差连接和边缘检测）的有效性。

提出的方法

• 使用具有多种膨胀率的空洞卷积，扩大感受野并捕获更多上下文信息，同时不增加网络深度。
• 采用残差学习与捷径连接，以促进训练过程并保持各层之间的特征表示。
• 引入一种不可训练的边缘检测层，受Sobel算子启发，用于检测水平、垂直和对角线边缘，增强边界保持能力。
• 通过结合均方误差（MSE）以保证像素级精度和感知损失以保证与真实图像的结构相似性，优化网络的混合损失函数。
• 在配对的低剂量与正常剂量CT图像上端到端训练网络，目标是从低剂量输入重建高质量图像。
• 在三个数据集上评估模型：模拟肺部扫描、真实小猪仔扫描和体模胸部扫描，使用PSNR和SSIM进行定量比较。

实验结果

研究问题

• RQ1 空洞卷积与残差学习是否能在保持计算效率的同时提升低剂量CT去噪性能？
• RQ2 集成不可训练的边缘检测层是否能增强低剂量CT图像中的边缘保持能力？
• RQ3 结合MSE与感知损失的损失函数是否能缓解仅使用MSE导致的过度平滑和仅使用感知损失导致的网格状伪影？
• RQ4 所提出方法与BM3D、CNN200及基于先验的模型相比，在真实和模拟数据上的表现如何？
• RQ5 架构改进在多大程度上提升了低剂量CT去噪的视觉与定量图像质量？

主要发现

• 所提出的DRL-E-MP模型在猪仔数据集上取得了最高的PSNR（44.12）和SSIM（0.9807），优于BM3D、CNN200及基于先验的方法。
• 在胸部体模数据集上，DRL-E-MP的PSNR为31.50，SSIM为0.6381，显著优于仅使用MSE或感知损失的模型。
• 视觉结果表明，与仅使用MSE训练的模型相比，DRL-E-MP更好地保留了细小纹理和边缘（后者导致过度平滑）；与仅使用感知损失的模型相比，DRL-E-MP避免了网格状伪影。
• 边缘检测层提升了边缘锐度，通过在胸部数据集上对比DRL与DRL-E-M的视觉结果得到验证。
• 混合损失函数（MSE + 感知损失）实现了最佳平衡，生成了视觉上更优的图像，且未牺牲定量指标。
• 每个架构组件——空洞卷积、残差学习、边缘检测和联合损失——均以较小的模型复杂度增加，逐步提升了性能。