公平评估不同稀疏角度CT重建模型

摘要

目的：在保持模型参数量一致的条件下，评估不同稀疏角度重建网络的性能。方法：保持各图像域网络、双域网络结构不变，通过调整网络通道数、网络层数，使各网络参数量相近，对比各网络在不同稀疏等级下的重建性能。实验数据采用AAPM低剂量CT挑战赛数据，其中训练集10 976张，验证集979张，测试集4 256张。通过视觉评估，并结合峰值信噪比、结构相似性系数（SSIM）、均方根误差等客观指标评价各模型性能。结果：调整模型参数前，混合域网络Tensor-Net获得最佳视觉评估与客观评价指标。调整参数后，在相似参数量下，各投影角度下Tensor-Net在图像解剖细节恢复方面均优于其他模型，但其SSIM略低于RED-CNN。混合域模型Dual-FBPConvNet的各项参数均差于FBPConvNet。结论：混合域模型在进行稀疏角度重建时拥有一定优势，但其面临更严重的过拟合问题，使用更大的图像域模型，可获得与混合域模型相近的结果。

关键词

CT / 稀疏角度重建 / 深度学习 / 模型评估