摘要
X射线计算机断层成像（ComputedTomography，CT）是一种基于X射线衰减系数成像的医学成像技术。CT技术可以在无损的情况下获取物体内部的切面信息，因此在医学诊断上是一种不可替代的诊疗手段。由于CT技术利用X射线穿过人体后的衰减系数进行重建成像，因此CT检查会不可避免地对人体造成辐射伤害。临床上通常使用降低管电流与管电压的方式直接降低放射剂量，但是低剂量的CT图像往往会引入难以分辨的噪声和伪影，给医学诊断带来了困难。因此需要一种易于应用，降噪效果较好，细节纹理保留较好的CT图像降噪方法用于低剂量CT图像的噪声抑制。基于深度学习的方法对低剂量CT图像的噪声进行抑制是当前效果较好，速度较快的一种方法。本文构建卷积神经网络在图像域对CT切面图像进行直接处理，从而提升图像质量达到抑制噪声的目的。本文的研究内容如下。 （1）本文设计并实现了一种编码器-反编码器结构的降噪网络，并结合混合膨胀卷积块对U-net网络进行改进，削减其参数量至约1/15并在定性和定量实验中达到了类似原U-net网络的效果。在实验中发现改进后的网络存在边缘模糊等问题，因此本文基于CBAM注意力机制对网络结构进一步改进，通过对网络中的长连接进行通道注意力机制加权和空间注意力机制加权，提升了网络的降噪性能。通过实验验证，构建的网络具有较好的降噪性能。 （2）对医学图像进行处理时，对细节纹理的保留相对于单纯的视觉效果和定量指标往往更加重要。为了解决均方误差损失带来的细节模糊等问题，本文在前述网络的基础上，在损失函数层面对网络进行改进。本文结合均方误差损失、感知损失和对抗损失设计了一种混合损失函数用于指导模型的训练。实验证明本文设计的混合损失在一定程度上抑制了细节模糊的情况，取得了较好的降噪效果。 （3）基于以上算法，本文实现了一种低剂量CT图像降噪模块，并基于该模块，设计并实现了一种易用的平台软件。软件提供基本的平台管理，图像降噪，操作数据记录等功能，可以较方便地对CT切面图像进行处理。
NETL