基于改进U-Net的低剂量CT图像重建方法

摘要：

针对低剂量CT图像重建会产生噪声和伪影的问题,在U-Net神经网络基础上引入残差学习和空间注意力机制,在编解码过程中嵌入跳跃连接为上采样增加多尺度信息,使用AAPM公开数据集CT影像进行模型训练和测试.选取峰值信噪比(PSNR)、结构相似性(SSIM)和均方根误差(RMSE)作为图像性能评价指标.在CT重建结果的测试中,与未处理的图像相比,网络模型处理后图像的PSNR、SSIM和RMSE指标平均值分别提升21.699％、2.263％和40.833％.实验结果表明,改进的U-Net神经网络模型能够减少噪声和伪影,保留了更多的纹理细节,对低剂量CT重建图像质量的提高有一定效果.

关键词：低剂量CT、图像重建、神经网络、残差网络、空间注意力机制、图像去噪

所属期刊栏目：46

分类号：TN911.73-34;TP391

资助基金：国家自然科学基金;国家重大科学仪器设备开发专项

在线出版日期：2023-05-16（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：41-45