运用循环一致生成对抗网络对肥胖肺结核患者超低剂量CT图像进行降噪

摘要

目的：基于循环一致生成对抗网络（Cycle-GAN）的深度学习方法，对肥胖肺结核患者胸部超低剂量CT图像进行去噪并对合成图像进行评估。方法：收集129例肺结核患者资料。连续使用常规剂量与超低剂量对相同范围进行CT扫描（常规剂量：120 kVp，自动曝光系统；超低剂量：80 kVp,10 mAs）。随机将70名患者的扫描图像用于训练Cycle-GAN网络中的超低剂量图像到常规剂量图像的转换，30名正常体质量患者与29名肥胖患者用于测试。将合成图像与全模型迭代重建算法（IMR）、混合迭代算法（iDose）、滤波反投影算法（FBP）3种迭代算法图像从客观测量数据与主观图像质量评分进行比较。结果：对肺结核肥胖患者使用超低剂量CT扫描，平均有效辐射剂量为0.1 mSv，相较于常规剂量CT显著减少96%。优化后的Cycle-GAN去噪网络，峰值信噪比和结构相似性指数分别提高到（32.7±3.3）dB和0.80±0.05。Cycle-GAN去噪网络能够重建出低噪声图像，图像噪声为（41.4±5.2）HU，均低于iDose[(90.2±9.7)HU]和FBP[(188.6±31.6)HU](P<0.001)。Cycle-GAN去噪网络重建图像较iDose、FBP与IMR算法，有更高的信噪比。结论：运用Cycle-GAN对肥胖肺结核患者超低剂量CT图像去噪，合成图像可用于影像医生评估患者肺结核病况。

关键词

计算机断层扫描 / 生成对抗网络 / 肥胖 / 降噪 / 辐射剂量