基于多尺度动态卷积和边缘增强的低剂量CT去噪

摘要

计算机断层扫描（CT）技术广泛应用于疾病检测与筛查，然而在扫描过程中产生的X射线辐射会对人体造成伤害.采用低剂量CT可以减少患者的辐射暴露，但是重建的图像会有显著的噪声和伪影，干扰医生的诊断.针对这一挑战，众多学者提出了基于传统卷积神经网络的低剂量CT去噪算法，并已取得显著成就.然而，传统卷积在不同像素位置共用相同卷积滤波器，这会忽略不同图像区域的内容差异，导致去噪结果的过度平滑化.为避免这一问题，本文提出一种基于多尺度动态卷积和边缘增强的低剂量CT去噪网络MDCEENet，旨在在去噪过程中保留更多的图像纹理和结构细节. MDCEENet是自编码器结构，包含编码器和解码器两个主要模块.具体而言，将低剂量CT图像及其边缘信息输入到编码器中，通过多尺度特征流MFS和边缘信息流EIS，分别提取多尺度图像特征和图像边缘特征，并将它们融合成引导信息GI，引导解码器中多尺度动态卷积块MDConvBlock的参数生成.在GI的引导下，MDConvBlock模块对上采样特征进行多尺度空洞卷积计算，旨在获取更高质量的重建图像.本文在Mayo Clinic公开的两个数据集上执行了相关实验，通过实验结果可知，MDCEENet的去噪效果优于DnCNN、RED-CNN、WGAN、CNCL、NBNet，获得了最优的平均峰值信噪比和平均结构相似性指标，这表明本文提出方法的优越性.本文还在这两个数据集上进行了消融实验，来说明MDCEENet中引入多尺度动态卷积和边缘信息的有效性，以及与ADFNet网络的区别.实验结果表明了本文提出的方法相比于ADFNet更适用于低剂量CT去噪任务.

关键词

深度学习 / 低剂量CT去噪 / 多尺度动态卷积 / 边缘增强