[论文解读] Low-Dose CT via Deep CNN with Skip Connection and Network in Network

Chenyu You, Linfeng Yang+2 more|arXiv (Cornell University)|Nov 26, 2018

Medical Imaging Techniques and Applications参考文献 13被引用 8

一句话总结

本文提出DCSWGAN，一种结合跳跃连接与网络中网络架构的深度卷积神经网络，用于低剂量CT（LDCT）图像去噪。通过整合残差学习、用于降维的$1\times1$卷积网络以及采用$L_1$损失的Wasserstein GAN，该模型在腹部CT扫描中实现了卓越的噪声抑制效果与结构细节保持能力，在PSNR、SSIM和视觉质量方面优于当前最先进方法。

ABSTRACT

A major challenge in computed tomography (CT) is how to minimize patient radiation exposure without compromising image quality and diagnostic performance. The use of deep convolutional (Conv) neural networks for noise reduction in Low-Dose CT (LDCT) images has recently shown a great potential in this important application. In this paper, we present a highly efficient and effective neural network model for LDCT image noise reduction. Specifically, to capture local anatomical features we integrate Deep Convolutional Neural Networks (CNNs) and Skip connection layers for feature extraction. Also, we introduce parallelized $1 imes 1$ CNN, called Network in Network, to lower the dimensionality of the output from the previous layer, achieving faster computational speed at less feature loss. To optimize the performance of the network, we adopt a Wasserstein generative adversarial network (WGAN) framework. Quantitative and qualitative comparisons demonstrate that our proposed network model can produce images with lower noise and more structural details than state-of-the-art noise-reduction methods.

研究动机与目标

• 在保留解剖与病理细节的同时，降低低剂量CT图像中的噪声。
• 解决传统去噪方法的局限性，如模糊化与细微结构丢失。
• 通过分层特征提取与降维，提升计算效率与特征表示能力。
• 结合残差学习与对抗训练，提升图像质量，生成更清晰、更逼真的输出。

提出的方法

• 生成器网络采用跳跃连接，以保留并融合多层特征，增强梯度流动与特征复用。
• 在重建阶段后，通过并行$1\times1$卷积的网络中网络模块降低特征维度，实现计算成本降低且信息损失最小化。
• 通过训练网络预测双三次插值的LDCT图像与对应全剂量CT（FDCT）图像之间的残差，实现残差学习。
• 判别模型采用WGAN框架，使生成图像的分布与真实FDCT图像分布匹配，从而提升感知质量。
• 损失函数结合WGAN对抗损失与$L_1$-范数损失，并引入正则化参数$\lambda_1$以平衡细节保持与噪声抑制。
• 从10名患者中提取$80\times80$大小的图像块，将Hounsfield单位值归一化至[0,1]，并采用留一法交叉验证进行模型训练。

实验结果

研究问题

• RQ1 具有跳跃连接与网络中网络架构的深度卷积神经网络，能否在有效抑制低剂量CT图像噪声的同时，保留细微解剖结构？
• RQ2 将残差学习与Wasserstein GAN结合，相较于标准GAN或$L_1$基模型，能否显著提升去噪LDCT图像的感知质量与结构保真度？
• RQ3 在LDCT去噪中，采用$1\times1$卷积的网络中网络设计在多大程度上降低了计算复杂度，同时不损害特征表示能力？
• RQ4 所提出的DCSWGAN框架在临床腹部CT数据上，是否在PSNR、SSIM与RMSE指标上优于当前最先进方法？

主要发现

• DCSWGAN在测试集上达到最高的PSNR（26.928）与SSIM（0.828），在两项指标上均优于CNN-L1、WGAN与DCSCN。
• 视觉评估确认，DCSWGAN在保留微小结构细节（如转移性病灶与精细纹理）方面表现最佳，如图3(f)中虚线圈与箭头所示。
• 该模型显著降低了背景噪声，同时最小化了模糊与方块状伪影，而这些伪影在CNN-L1与DCSCN结果中较为明显。
• DCSCN虽达到最佳PSNR（28.016）与SSIM（0.883），但仍存在明显模糊现象，表明降噪与锐度之间存在权衡。
• 基于WGAN的方法（DCSWGAN）生成的图像在视觉上更逼真，边缘更清晰，对比度分辨率更优，优于$L_1$基CNN-L1与标准WGAN模型。
• 结合$L_1$损失与WGAN对抗训练，有效减少了图像模糊现象，并保留了高频特征，如图3与图5中放大区域ROI所示。