面向低剂量CT图像的多生成器对抗网络降噪模型的研究

摘要：

针对低剂量计算机断层扫描将导致扫描图像噪声高的问题,本文提出了一种用于图像降噪的多生成器的生成对抗网络(TriGAN)模型.首先提出了三个生成器的并行结构对不同类型噪声进行有针对性的图像降噪;其次引入残差网络,避免梯度消失等问题,保证训练阶段的稳定和高效;最后,利用谱归一化方法解决生成对抗网络在训练过程中可能出现的模式坍塌和慢收敛的问题.实验结果表明,TriGAN和其他深度学习模型DnCNN和GAN等相比较,图像的峰值信噪比达到26.67,平均提高了4.5％;结构相似性达到0.98,平均提高了1.5％.此外,采用TriGAN模型降噪后的断层扫描图像亨氏单位的平均值为32.61,标准差为58.91,最接近标准剂量CT样本图像的断层扫描数.

关键词：生成对抗网络、图像降噪、谱归一化、残差网络

所属期刊栏目：41

分类号：TP183(自动化基础理论)

资助基金：国家自然科学基金项目;计算机系统结构国家重点实验室开放课题项目

在线出版日期：2020-12-15（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：2582-2587