摘要
计算机断层扫描（ComputedTomography,CT）成像是一种被广泛应用的医学成像技术，它可应用于多种辅助诊疗任务，如体内可视化、病变检测等。然而CT扫描过程中的辐射会对病人身体有一定的副作用，大幅提高病人患染各种疾病的概率。通过降低扫描过程中的辐射剂量能够有效缓解该问题，但也会同时导致CT图像质量下降。与标准剂量CT（Normal-DoseCT,NDCT）图像相比，低剂量CT（Low-DoseCT,LDCT）图像中的噪声和伪影可能会掩盖人体器官组织的细节信息，从而影响医生的诊断分析，因此低剂量CT图像去噪具有重要的研究意义。目前国内外研究人员已经提出了大量低剂量CT图像去噪的方法，特别是近年来新兴的基于深度学习的低剂量CT去噪方法，通过神经网络从大数据中获取先验知识，获得了鲁棒的效果并备受关注。然而，尽管这些方法有一定的去噪效果，但仍存在改进空间。在低剂量CT去噪领域中，现有的大部分基于深度学习的方法需要与输入噪声图像配对的无噪图像作为标签帮助网络学习。但仅在这种条件下网络难以完全学习到标签提供的所有先验知识，且一旦训练集中的正样本不够多时，网络无法达到预期的去噪性能。为解决上述问题，本文提出了两种低剂量CT图像去噪方法，分别如下： （1）提出了一种基于知识蒸馏的低剂量CT图像去噪方法。现有的去噪方法需要与有噪图像配对的无噪图像作为训练标签，称为“硬标签”。但是网络的学习能力有限，无法完全学习到“硬标签”提供的所有先验知识，因此会影响最终的去噪效果。针对这一问题，本文引入知识蒸馏的思想，设计出了一个“教师－学生”网络结构。针对目标剂量数据，该结构首先利用高于目标剂量的数据训练教师网络，然后固定住教师网络的参数，将目标剂量的数据同时输入给学生网络和训练好的教师网络，利用教师网络指导学生网络的参数更新。具体地，教师网络输出的结果作为“软标签”指导学生网络的训练，从而将直接从“硬标签”粗放式学习过程转化成一个递进式学习过程，更有效地利用先验知识。在仿真低剂量CT图像上的实验结果证明，这种引导是有效的，该方法得到的去噪结果与原方法相比在保留细节信息方面表现更优，与其他去噪方法相比，客观评价指标也有明显提升。 （2）提出了一种基于对比学习的低剂量CT图像去噪方法。图像去噪的目的是使输出图像与无噪图像的相似度尽可能高，现有的方法仅考虑使用无噪图像作为先验知识引导去噪网络的学习，而未对有噪图像的信息加以利用。为此本文借鉴对比学习的思想，设计了一个基于对比学习的正则项，探索有噪图像与无噪图像之间的差异，然后利用差异信息提升网络的去噪效果。在本方法中，一个预先训练好的深层网络被用作特征提取器，将所有相关图像实例映射到隐空间中。在该空间中，本方法将去噪输出的图像的特征作为锚点，有噪图像特征作为负样本，无噪图像特征作为正样本，通过在拉近锚点与正样本间距的同时，推远锚点与负样本的间距来帮助网络提升去噪效果。借助对比学习的思想，本方法能够利用有噪输入作为负样本使网络在训练集不够大时仍能保持良好的性能。在公开数据和仿真数据上的实验结果表明，与原方法相比，本方法在客观评价指标和视觉效果上都有所提升。
NETL