进行单光子发射计算机断层成像(single-photon emission computed tomography,SPECT)骨显像检查时,为减少给病人带来的辐射伤害,医师常会减轻辐射剂量,导致骨显像信噪比、分辨率较低,严重影响诊断以及病灶自动检测效果.为提升骨显像质量,提出了一种基于U-Net的两阶段SPECT骨显像降噪方法.首先,设计了一种U-Net噪声估计网络来快速估计每张骨显像的噪声水平,为主干降噪网络提供噪声先验知识.其次,主干降噪网络同样以U-Net为基础框架,同时结合多尺度特征融合、通道-空间注意力机制结构来增强网络的噪声特征提取能力,预测出噪声图.最后,通过残差学习得到降噪骨显像.同时,为解决使用均方误差(mean square error,MSE)损失函数的重建图像过于平滑的问题,设计了一种复合损失函数,保留骨显像的原有细节信息.实验中,向训练集中的骨显像施加不同噪声水平进行数据扩充,并且采用迁移策略解决模型过拟合问题.结果表明,与目前主流算法相比,所提出的降噪方法能够有效降低骨显像噪声,并且保留病灶细节特征.此外,通过盲降噪能够改善原骨显像质量、提升病灶自动分割效果.
万方数据
维普
