一种基于MDC-DCRN模型的低剂量CT图像去噪方法

摘要

目的：低剂量CT(LDCT)图像因存在大量噪声和伪影而严重影响临床诊断，为解决图像过度平滑、纹理细节丢失以及噪声伪影残留等问题，提出一种基于多尺度空洞卷积的反卷积-卷积残差网络（MDC-DCRN）用于LDCT重建图像去噪。方法：该网络采用反卷积-卷积的架构设计，以更好地保留图像细节，并引入多尺度空洞卷积模块增强对不同尺度特征的提取能力。此外，通过结合L1损失和感知损失的复合损失函数，有效缓解图像过度平滑问题。结果：在Mayo数据集上的实验结果表明，MDC-DCRN网络优于RED-CNN、EDCNN、WGAN-RAM和CTformer 4种经典去噪网络，能够有效去除噪声和伪影，恢复更多纹理细节信息。与LDCT图像相比，MDC-DCRN处理后图像的PSNR平均提高13.64%,SSIM平均提高4.57%,RMSE平均降低37.40%。结论：MDC-DCRN模型能够降低低剂量扫描产生的噪声，并有效地保留细节，为临床LDCT图像去噪提供一种新方法。

关键词

低剂量CT / 深度学习 / 感知损失 / 图像去噪 / 伪影消除