10.3969/j.issn.1671-7449.2021.03.008
基于模块化神经网络的低剂量CT图像去噪
现有的低剂量CT图像去噪算法大多依赖于大样本的配对数据进行训练,而在实际中,很难同时获得同一患者的低剂量CT图像和常规剂量CT图像,从而导致训练样本量的不足.针对这一问题,本文在配对图像不足的条件下,提出了一种基于模块化神经网络的低剂量CT图像去噪算法.该方法采用模块化子网络串联,在子网络内部应用跨层连接增加特征图利用率,并且引入了一种新型的二次卷积提高去噪效果.实验表明,在缺少配对数据的弱监督条件下,该网络可以有效降低低剂量CT图像噪声,显著提升低剂量CT图像的视觉质量和客观评价指标.与目前的方法相比,本文所提出的网络可以更好地在弱监督条件下减少低剂量CT图像噪声.
模块化网络、二次卷积、低剂量CT、深度学习、弱监督
35
TP391.41(计算技术、计算机技术)
2021-06-21(万方平台首次上网日期,不代表论文的发表时间)
共8页
229-236