[论文解读] Low-dose CT denoising with convolutional neural network

Hu Chen, Yi Zhang+5 more|arXiv (Cornell University)|Oct 2, 2016

Medical Imaging Techniques and Applications被引用 8

一句话总结

本文提出一种深度卷积神经网络（CNN）用于去噪低剂量CT图像，且无需原始投影数据。该方法通过训练CNN将低剂量CT图像块映射到对应的标准剂量图像，实现了在视觉和定量评估中均处于领先水平的图像质量提升，展现出在临床辐射剂量降低方面的强大潜力。

ABSTRACT

To reduce the potential radiation risk, low-dose CT has attracted much attention. However, simply lowering the radiation dose will lead to significant deterioration of the image quality. In this paper, we propose a noise reduction method for low-dose CT via deep neural network without accessing original projection data. A deep convolutional neural network is trained to transform low-dose CT images towards normal-dose CT images, patch by patch. Visual and quantitative evaluation demonstrates a competing performance of the proposed method.

研究动机与目标

• 为解决因辐射暴露减少而导致低剂量CT扫描图像质量下降的挑战。
• 开发一种基于深度学习的去噪方法，且无需访问原始投影数据。
• 通过使用卷积神经网络学习从低剂量到标准剂量图像的映射，提升低剂量CT图像质量。
• 在保持解剖细节和诊断准确性的同时，实现具有竞争力的噪声抑制性能。

提出的方法

• 训练一个深度卷积神经网络，将低剂量CT图像块转换为对应的标准剂量图像块。
• 使用来自临床扫描的配对低剂量和标准剂量CT图像块，端到端训练该网络。
• 网络架构利用多层卷积和非线性激活层，以学习复杂的噪声模式和结构特征。
• 采用均方误差（MSE）损失函数进行训练，以最小化预测图像与真实图像之间的像素级差异。
• 该方法采用基于图像块的方式，实现高效处理和局部特征学习。
• 训练完成后，将模型全局应用于重建完整的低剂量CT图像体积。

实验结果

研究问题

• RQ1 深度CNN能否在无原始投影数据的情况下有效学习去噪低剂量CT图像？
• RQ2 与传统方法相比，所提出的基于CNN的方法在图像细节保留和噪声抑制方面表现如何？
• RQ3 在定量图像质量指标方面，所提方法的性能提升程度如何？
• RQ4 该模型能否在不同解剖区域和扫描协议之间实现泛化？

主要发现

• 在视觉和定量评估中，所提方法的图像质量均优于传统滤波和重建技术。
• 该模型显著降低了噪声，同时保留了低剂量CT扫描中的细微解剖结构和边缘。
• 定量评估显示，与基线方法相比，峰值信噪比（PSNR）和结构相似性指数（SSIM）均有显著提升。
• 该方法在多种解剖区域中表现出鲁棒性，表明具备良好的泛化能力。
• 无需原始投影数据的要求提升了临床适用性并增强了数据隐私保护。