[论文解读] Noise Entangled GAN For Low-Dose CT Simulation

Chuang Niu, Ge Wang+9 more|arXiv (Cornell University)|Feb 18, 2021

Medical Imaging Techniques and Applications参考文献 9被引用 12

一句话总结

本文提出噪声纠缠生成对抗网络（NE-GAN），一种基于深度学习的方法，可直接从高剂量CT（HDCT）扫描中模拟出逼真的低剂量CT（LDCT）图像。通过将HDCT分解为干净图像与高剂量噪声分量，NE-GAN将缩放后的噪声嵌入干净图像中，以可控的噪声水平生成LDCT图像，实现快速、高保真度的模拟，且无需原始投影数据或扫描仪特定参数。

ABSTRACT

We propose a Noise Entangled GAN (NE-GAN) for simulating low-dose computed tomography (CT) images from a higher dose CT image. First, we present two schemes to generate a clean CT image and a noise image from the high-dose CT image. Then, given these generated images, an NE-GAN is proposed to simulate different levels of low-dose CT images, where the level of generated noise can be continuously controlled by a noise factor. NE-GAN consists of a generator and a set of discriminators, and the number of discriminators is determined by the number of noise levels during training. Compared with the traditional methods based on the projection data that are usually unavailable in real applications, NE-GAN can directly learn from the real and/or simulated CT images and may create low-dose CT images quickly without the need of raw data or other proprietary CT scanner information. The experimental results show that the proposed method has the potential to simulate realistic low-dose CT images.

研究动机与目标

• 开发一种快速、高效的数据模拟方法，用于生成低剂量CT图像，且无需依赖原始投影数据或专有的扫描仪参数。
• 生成保留噪声统计特性（如噪声功率谱NPS）的逼真LDCT图像，以实现对去噪算法的稳健评估。
• 通过可学习的噪声因子，实现对模拟LDCT图像中噪声水平的连续控制，支持多样化的训练与测试场景。
• 克服传统基于反投影图的LDCT模拟方法的局限性，后者速度慢且需要原始数据访问或复杂建模。
• 构建可扩展的虚拟CT工作流程，利用大规模、高保真度的模拟数据，评估LDCT去噪模型的鲁棒性。

提出的方法

• 使用去噪网络或基于CT模拟的方法，将高剂量CT（HDCT）图像分解为干净CT图像与高剂量噪声图像。
• 训练一种噪声纠缠生成对抗网络（NE-GAN），将干净图像与经噪声因子缩放的高剂量噪声图像映射为模拟的LDCT图像。
• 设计NE-GAN时采用生成器与多个判别器，其中判别器的数量与训练期间预设的噪声水平数量相对应。
• 采用损失函数，约束生成器保留噪声结构与统计特性，包括噪声功率谱（NPS）与方差图。
• 通过真实与模拟CT图像的端到端联合训练，使模型学习到逼真的噪声模式，而无需依赖原始投影数据。
• 通过调整噪声因子，将训练好的NE-GAN应用于生成多种噪声水平的LDCT图像，包括超出训练范围的噪声水平。

实验结果

研究问题

• RQ1 深度生成模型是否可在无原始投影数据或扫描仪特定参数的情况下，模拟出逼真的低剂量CT图像？
• RQ2 NE-GAN框架是否能在不同剂量水平下保持噪声的统计特性（如噪声功率谱NPS）？
• RQ3 噪声纠缠机制是否能实现在模拟LDCT图像中噪声水平的连续且可控的变化？
• RQ4 NE-GAN能否生成在视觉与统计特性上与真实LDCT扫描无法区分的LDCT图像？
• RQ5 与直接将缩放噪声添加到干净图像的简单噪声缩放方法相比，NE-GAN的性能如何？

主要发现

• NE-GAN成功在多个剂量水平（如90 mA、70 mA、50 mA、30 mA）下模拟LDCT图像，噪声因子分别为1.3、1.8与3.0，生成图像在视觉上与CatSim生成结果相似。
• NE-GAN生成的LDCT图像的噪声功率谱（NPS）与参考模拟结果高度一致，证实了关键噪声统计特性的保留。
• 在噪声指数为10的真实HDCT图像上进行训练后，NE-GAN生成的LDCT图像噪声指数达到20、30与40（对应噪声因子2.0、3.0、4.0），在视觉上与真实LDCT扫描相当。
• NE-GAN优于简单的噪声缩放方法：直接将缩放噪声添加到干净图像无法复现真实LDCT图像中真实的纹理与结构特征。
• 该模型可泛化至训练期间未见过的噪声因子，表现出噪声幅度随因子值增加而平滑、连续增长的特性。
• NE-GAN的模拟速度显著快于传统基于反投影图的方法，可高效生成大规模LDCT数据集，适用于算法评估。