基于残差图分解与平滑块排列的低剂量CT投影降噪算法

一种基于全变差先验的低剂量X线CT投影域降噪算法方玉龙【摘要】随着医学影像技术快速发展,X线CT已成为二级及以上各医院临床诊断普及方法。

然而,国外文献数据表明,X线CT引发的辐射占医源性辐射总数将近50%,易导致癌症、白血病、新陈代谢异常等疾病。

由此低剂量X线CT扫描技术相应产生,目前采用降低管电流实现扫描剂量减少。

Filtered Back of Projection 算法重建中由于投影域噪声污染出现条形伪影、噪声。

本文提出一种基于全变差先验的低剂量X线CT投影域降噪算法。

该算法采用全变差先验融入X线CT投影域实现降噪和保持边缘,仿真数据表明该算法能够有效降低噪声、保持边缘,图像明显优于滤波反投影算法的图像。

【期刊名称】《景德镇学院学报》【年(卷),期】2018(033)006【总页数】3页(P27-29)【关键词】低剂量X线;CT降噪;全变差【作者】方玉龙【作者单位】[1]黄山职业技术学院医学系,安徽黄山245000;【正文语种】中文【中图分类】O246.51 选题背景及意义自1972年Hounsfield第一台Computed tomography扫描仪诞生，CT技术快速发展，CT图像凭借高分辨率、高灵敏度、多层面等优点在诊断头颈部、中枢神经系统、心血管、胸、腹、盆腔及骨关节等疾病检查中，具有明显优势。

然而CT在扫描过程中会产生辐射，大量国外数据表明，X线CT引发的辐射占医源性辐射总数将近50%，许多西方国家已将CT扫描列为主要医源性辐射源。

由此低剂量X 线CT扫描技术相应产生，目前采用降低管电流实现扫描剂量减少，同时延长X线球管寿命，降低设备成本。

缺点是扫描降低剂量会导致图像质量的下降，严重干扰医生的诊断结果，增加信号处理难度。

因此，本文研究的重点是如何在低剂量X线CT扫描时获取医学诊断所需要的图像质量。

2 低剂量X线CT降噪理论与方法2.1 低剂量X线CT重建技术主张As Low As Reasonable Achievable[1],采用最小的剂量达到最好的诊断结果。

低剂量CT投影数据多尺度去噪算法的研究近年来,随着CT设备图像质量及成像速度的大幅提高,CT在医学诊断、治疗中的应用越来越广泛。

与其他影像检查手段,如X线相比,由于CT是断层成像,且有较高的分辨率,所以具有很大的优势。

然而常规CT过高的辐射剂量限制了其更广泛应用,如肺癌的普查。

通过限制管电流等CT扫描参数,可以达到降低辐射剂量的目的,但是在投影数据中引入了很强的噪声,使重建得到的CT图像发生严重的退化,表现为图像中的线状伪迹。

考虑到目前多尺度方法在图像去噪中取得的良好效果,为了达到改善低剂量CT图像质量的目的,本文在小波域对CT投影数据进行多尺度去噪的方法进行了探索,在滤除投影数据噪声后,采用经典滤波反投影进行图像重建,以提高低剂量CT图像的质量,使之适用于诊断及后续的分析和处理。

投影数据噪声统计特性主要为非平稳、非线性,本论文采用二进小波对投影数据进行小波变换,首先研究了低剂量CT投影数据噪声的统计特性在小波系数中的表现,发现小波域系数噪声的统计特性可以近似看作与时域噪声一致,所以时域得到的噪声参数在小波域进行去噪处理时也可以应用,这将时域和小波域噪声的统计特性联系了起来,使小波域也可以进行与噪声统计特性相适应的去噪。

通过实验得出了合适的小波分解层数,并经分析得到小波系数具有几何相关特性,而低剂量CT投影数据具有高局部相关性的特点,提出在小波域将噪声统计特性与相似性相结合进行去噪的方法。

基于上述分析,本文对两种小波域去噪算法进行了实验:小波域双边滤波器和小波域非局部均值滤波器。

前者与传统滤波方法相比,虽然有一些效果上的改进,但由于双边滤波器本身的缺陷,很难对低剂量投影数据取得满意的去噪效果。

后者通过在实验过程中,对传统非局部均值算法进行改进,将其与数据噪声特性相结合,使之能更好地滤除低剂量CT 噪声。

计算机仿真结果显示,与当前效果较好的小波域PWLS算法相比,本文提出的小波域非局部均值算法在保证滤除噪声的同时,更好地保留了图像的细节,而这对于医学图像是至关重要的。

《基于深度学习的低剂量CT去噪方法研究》一、引言计算机断层扫描（Computed Tomography，CT）是现代医学影像诊断中常用的技术之一。

然而，常规CT扫描常常伴随着辐射剂量较高的问题，这对患者特别是对儿童及对辐射敏感的患者带来潜在的健康风险。

为了解决这一问题，低剂量CT技术应运而生。

然而，低剂量CT图像往往伴随着严重的噪声问题，影响了图像的清晰度和诊断的准确性。

因此，如何通过有效的去噪方法提高低剂量CT图像的质量成为了研究热点。

近年来，基于深度学习的去噪方法在低剂量CT图像处理中表现出了显著的成效，本文将对此进行深入研究。

二、深度学习在低剂量CT去噪中的应用深度学习是一种模仿人脑神经网络工作的机器学习方法，它在图像处理领域取得了显著的成果。

在低剂量CT去噪中，深度学习可以通过学习大量的图像数据，自动提取和利用图像中的特征信息，从而实现去噪的目的。

2.1 卷积神经网络（CNN）在低剂量CT去噪中的应用卷积神经网络是深度学习中的一种重要网络结构，它在低剂量CT去噪中发挥了重要作用。

通过构建深度卷积神经网络，可以学习到低剂量CT图像中的噪声模式和结构信息，从而实现对图像的有效去噪。

2.2 生成对抗网络（GAN）在低剂量CT去噪中的应用生成对抗网络是一种无监督的学习方法，它在低剂量CT去噪中也有着广泛的应用。

通过生成器和判别器的对抗训练，GAN 可以学习到低剂量CT图像的真实分布，并生成高质量的去噪图像。

三、本文提出的基于深度学习的低剂量CT去噪方法针对低剂量CT图像的噪声问题，本文提出了一种基于深度学习的去噪方法。

该方法主要包括以下步骤：3.1 数据预处理首先，对低剂量CT图像进行预处理，包括灰度归一化、感兴趣区域提取等操作，以便于后续的深度学习处理。

3.2 构建深度学习模型构建一个深度卷积神经网络模型，该模型可以自动提取低剂量CT图像中的特征信息，并学习到噪声模式和结构信息。

同时，为了进一步提高去噪效果，我们引入了生成对抗网络的思路，通过生成器和判别器的对抗训练，进一步提高模型的去噪能力。

专利名称：基于双残差网络的低剂量CT牙齿图像去噪方法专利类型：发明专利
发明人：傅博,王丽妍,杜飞飞,刘芳菲
申请号：CN202010068315.5
申请日：20200121
公开号：CN111311506A
公开日：
20200619
专利内容由知识产权出版社提供
摘要：本发明公开一种基于双残差网络的低剂量CT牙齿图像去噪方法，首先训练辅助网络，并保存模型；利用经过双残差网络提取的特征空间图之间的相似关系，计算损失函数值，通过合并去噪网络和双残差网络之间的损失函数值，进而更新参数以辅助去噪网络的训练。

该方法主要包括数据加载模块、辅助网络训练模块、双残差网络去噪模块、测试模块。

本发明对低剂量CT牙齿图像去噪有着显著的效果，能够保留图像的一些细节特征，具有重要的应用价值。

申请人：辽宁师范大学
地址：116000 辽宁省大连市沙河口区黄河路850号
国籍：CN
代理机构：大连非凡专利事务所
代理人：闪红霞
更多信息请下载全文后查看。

《基于深度学习的低剂量CT去噪方法研究》篇一一、引言随着医学影像技术的不断发展，低剂量CT（Computed Tomography）技术因其能够减少辐射剂量，保护患者安全而受到广泛关注。

然而，低剂量CT图像由于受到噪声干扰，其图像质量往往不如常规剂量CT图像。

因此，如何通过技术手段提高低剂量CT图像的质量，成为了当前研究的热点问题。

深度学习技术的发展为低剂量CT去噪提供了新的思路和方法。

本文将针对基于深度学习的低剂量CT去噪方法进行研究，以期为医学影像技术的进一步发展提供理论支持。

二、深度学习在低剂量CT去噪中的应用深度学习是一种基于神经网络的机器学习方法，具有强大的特征学习和表示学习能力。

在低剂量CT去噪中，深度学习可以通过训练大量的图像数据，学习到低剂量CT图像与高剂量CT图像之间的映射关系，从而实现去噪目的。

目前，基于深度学习的低剂量CT去噪方法主要包括卷积神经网络（CNN）、生成对抗网络（GAN）等。

三、基于卷积神经网络的低剂量CT去噪方法卷积神经网络是一种常用的深度学习模型，其具有良好的特征提取和表示能力。

在低剂量CT去噪中，卷积神经网络可以通过训练大量的低剂量CT图像和高剂量CT图像数据，学习到图像的噪声特征和结构特征，从而实现对低剂量CT图像的去噪。

具体而言，卷积神经网络可以通过多层卷积和池化操作，提取出图像中的有用信息，并抑制噪声。

同时，通过非线性激活函数和损失函数的设计，可以进一步优化模型的性能，提高去噪效果。

四、基于生成对抗网络的低剂量CT去噪方法生成对抗网络是一种基于生成器和判别器相互竞争的深度学习模型。

在低剂量CT去噪中，生成对抗网络可以通过生成器学习低剂量CT图像与高剂量CT图像之间的映射关系，并通过判别器对生成结果进行评估和优化。

具体而言，生成器通过接收低剂量CT图像作为输入，生成高剂量的CT图像。

而判别器则对生成的高剂量CT图像进行真伪判断，并反馈给生成器进行优化。

F[Kt]-残差图
杨世辉;刘学文
【期刊名称】《西南师范大学学报（自然科学版）》
【年(卷),期】2003(028)003
【摘要】利用图的合成运算找到了一种从已知的残差图构造新的残差图的方法;讨论了F-残差图与F[Kt]-残差图之间的某些内在联系,发现了一类新的典型的m-Kn-残差图.
【总页数】4页(P373-376)
【作者】杨世辉;刘学文
【作者单位】涪陵师范学院数学系,重庆,涪陵,408003;涪陵师范学院数学系,重庆,涪陵,408003
【正文语种】中文
【中图分类】O157.5
【相关文献】
1.基于残差图分解与平滑块排列的低剂量CT投影降噪算法 [J], 王燕玲;薛敏;邵燕灵;刘祎;张权;陈燕;桂志国
2.多重超平面完备残差图 [J], 段辉明;邵凯亮;张清华;曾波
3.减变量图残差图在回归诊断中的应用 [J], 王斌会;郭祖超
4.一种残差置乱上下文信息的场景图生成方法 [J], 林欣; 田鑫; 季怡; 徐云龙; 刘纯平
5.基于改进谱残差显著性图的红外与可见光图像融合 [J], 李辰阳;丁坤;翁帅;王立
因版权原因，仅展示原文概要，查看原文内容请购买。

基于深度学习的低剂量CT图像去噪
谢丰雪;杨帆;冯维;曾雷雷;缪月红;雷平贵
【期刊名称】《中国医学物理学杂志》
【年(卷),期】2022(39)5
【摘要】目的:提出一种基于深度学习的方法用于低剂量CT(LDCT)图像的噪声去除。

方法:首先进行滤波反投影重建,然后利用多尺度并行残差U-net(MPR U-net)的深度学习模型对重建后的LDCT图像进行去噪。

实验数据采用LoDoPaB-CT挑战赛的医学CT数据集,其中训练集35820张图像,验证集3522张图像,测试集3553张图像,并采用峰值信噪比(PSNR)与结构相似性系数(SSIM)来评估模型的去噪效果。

结果:LDCT图像处理前后PSNR分别为28.80、38.22 dB,SSIM分别为0.786、0.966,平均处理时间为0.03 s。

结论:MPR U-net深度学习模型能较好地去除LDCT图像噪声,提升PSNR,保留更多图像细节。

【总页数】4页(P547-550)
【作者】谢丰雪;杨帆;冯维;曾雷雷;缪月红;雷平贵
【作者单位】贵州医科大学生物与工程学院;贵州医科大学大健康学院;贵州医科大学附属医院影像科
【正文语种】中文
【中图分类】R318
【相关文献】
1.基于多尺度残差网络构架的低剂量CT图像去噪
2.基于模块化神经网络的低剂量CT图像去噪
3.基于生成对抗网络的低剂量CT图像去噪方法研究
4.基于注意力机制U-Net的低剂量CT图像去噪方法
5.基于VGG网络与深层字典的低剂量CT图像去噪算法
因版权原因，仅展示原文概要，查看原文内容请购买。

基于特征融合的低剂量CT图像降噪方法冉瑞生;张思文;李进;房斌【期刊名称】《微电子学与计算机》【年(卷),期】2024(41)5【摘要】近年来低剂量CT(Low Dose CT,LDCT)被广泛应用于临床诊断中,但LDCT会产生不规则的噪声。

已有的降噪方法往往缺乏对全局特征信息的考虑,以及不注重边缘特征信息和重建图像的视觉效果。

为此,提出了一种基于特征融合的低剂量CT图像降噪方法。

首先,利用Transformer优异的全局感受野提取图像的全局特征信息,并利用卷积神经网络(Convolutional Neural Network,CNN)良好的局部特征提取能力提取图像的局部特征信息。

在Transformer模块中加入维度变换思想,以更好地抑制噪声;在CNN模块中使用稠密连接的方式将浅层网络的特征信息复用于深层网络中,以此保存更多的特征信息。

其次,为了获取更加丰富的图像细节特征,使用了改进的索伯边缘增强算子来加强模型对边缘特征信息的提取能力。

最后,将Transformer模块和CNN模块获取的特征信息进行融合并输出重建图像。

此外,为了使降噪重建后的图像有更好的质量和视觉效果,设计了一个多尺度复合损失函数。

实验表明:在AAPM-Mayo数据集的降噪实验中,与当前主流的LDCT图像降噪方法相比,本文方法取得了更好的降噪效果。

【总页数】11页(P11-21)【作者】冉瑞生;张思文;李进;房斌【作者单位】重庆师范大学计算机与信息科学学院;重庆大学计算机学院【正文语种】中文【中图分类】TP391【相关文献】1.基于生成对抗网络和噪声水平估计的低剂量CT图像降噪方法2.一种基于伪影估计的低剂量CT图像降噪方法3.基于改进ADNet网络模型的低剂量CT图像降噪方法4.基于特征融合的非局部均值CT图像降噪5.一种基于伪影估计的低剂量CT 图像降噪方法因版权原因，仅展示原文概要，查看原文内容请购买。

低剂量CT图像的⾃适应⼴义总变分降噪算法
低剂量CT图像的⾃适应⼴义总变分降噪算法
何琳1，张权1，上官宏1，张芳1，张鹏程1，刘祎1，孙未雅1，桂志国1,2*
【摘要】摘要:针对低剂量计算机断层扫描(CT)重建图像时出现明显条形伪影的现象，提出⼀种⾃适应⼴义总变分(ATGV)降噪算法。

该算法考虑了传统⼴义总变分(TGV)算法在降噪时模糊图像边缘信息的缺点，把可以有效区分图像平滑区和细节区的直觉模糊熵应⽤到传统TGV中，对图像的不同区域进⾏不同强度的去噪，从⽽达到保护图像细节的效果。

该算法⾸先采⽤滤波反投影(FBP)算法得到低剂量CT重建图像；然后利⽤基于直觉模糊熵的边缘指⽰函数对传统TGV模型进⾏改进；最后⽤改进后的模型对重建图像进⾏降噪处理。

采⽤Shepp-Logan模型和数字胸腔模型(thorax phantom)仿真低剂量CT重建图像来验证算法的有效性。

实验结果表明，所提算法的归⼀化均⽅距离(NMSD)和归⼀化平均绝对距离(NAAD)均⽐总变分(TV)降噪算法和⼴义总变分(TGV)降噪算法⼩，且可分别获得26.90 dB和44.58 dB的峰值信噪⽐(PSNR)。

该算法在去除条形伪影的同时可以较好地保持图像的边缘和细节信息。

【期刊名称】计算机应⽤
【年(卷),期】2016(036)001
【总页数】5
【关键词】关键词:低剂量计算机断层扫描；直觉模糊熵；边缘指⽰函数；总变分；⼴义总变分
0 引⾔
低剂量计算机断层扫描(Computed Tomography, CT)可以减少对患者的辐射。