面向低剂量CT智能去噪算法的成像性能评估与分析

摘要

目的：探究现有主流深度学习去噪网络的低剂量CT去噪性能和泛化性能。方法：基于公开的AAPM Mayo挑战赛数据，选取3个图像域方法（REDCNN、WGAN-VGG、CTformer）和2个投影-图像双域方法（VVBP-UNet、CLEAR）训练去噪网络。对不同去噪网络的峰值信噪比（PSNR）、结构相似度、均方根误差、网络参数量、浮点运算次数进行定量分析，并在腹部AbdomenCT-1K数据集上进行泛化性能分析。结果：图像域去噪网络能极大抑制低剂量CT图像噪声，其中REDCNN去噪效果最好，PSNR达42.098 8 dB。双域去噪网络在去除图像噪声同时能较好地保留图像微小组织结构，其中VVBP-UNet性能最好，PSNR提高至42.150 9 dB。结论：投影-图像双域方法的去噪性能和泛化性能优于图像域方法，但双域方法的网络参数量和计算量比较大。在计算资源满足情况下，双域方法的去噪结果更满足临床诊断需求。

关键词

低剂量CT / 去噪网络 / 图像域 / 投影-图像双域