基于卷积神经网络的医学锥形束CT图像降噪算法研究

摘要

毋庸置疑，医学CT（Computed Tomography）对病患者的临床诊断日益发挥了重要的作用。特别是，此次2020年之初发生的新冠肺炎疫情之肺部诊断，医学CT图像乃是评判病人肺部是否遭遇新冠肺炎感染或康复的重要手段之一。　　诚然，医学CT可以为精准医疗、智慧医疗提供有力的支撑，但其使用了伴随辐射的X射线，难以避免对人体具有一定的伤害，甚或过量吸收X射线引发罹患癌症的风险。因此，一直以来如何在确保CT图像质量的前提下，尽可能减少X射线的剂量是人们孜孜以求的研究课题。这主要源于降低X射线剂量或减少CT成像扫描时间往往会增加CT图像的噪声，造成CT图像降质，进而影响医学临床诊断的准确性或可靠性，所以开展CT影像降噪研究工作成为了CT图像重建后图像处理与分析的一个非常关键的科学技术问题。　　本论文研究工作依托于国家自然科学基金青年项目（项目编号：61401049）和重庆市重点产业共性关键技术创新专项项目（项目编号：cstc2015zdcy-ztzx0072），研究期间本人在一家制造医疗CT设备单位——上海一影信息科技有限公司进行联合培养完成研究工作（专业硕士）。论文在广泛调研、深入分析国内外文献基础上，研究了一种基于卷积神经网络的医学锥形束三维CT（Cone Beam CT，CBCT）图像降噪技术方法。　　本文通过对螺旋CT和CBCT基本原理、结构组成及成像算法的对比分析，明确了CBCT图像噪声的来源与特性。以此为基础，本文设计了一种基于卷积神经网络的CBCT图像降噪网络，简称为PCDnet。在网络框架的选取上采用了VGG网络构架，删除了其池化层，并对其参数进行了相应调整，有效避免了BM3D等经典算法在概率学习和推断过程中的计算困难，大大降低了算法复杂度。特别地，本文采用特征相似度（FSIM）与均方差（MSE）相结合的损失函数。为验证该网络的有效性，设计了包含石膏头模CBCT图像和七组临床真人CBCT图像的训练数据集。考虑到计算资源的局限性，文中将数据集切块为80×80大小的图像块，同时采取了较为流行的数据增强方式对数据集进行相应扩充。实验结果表明，本文模型在抑制CBCT图像噪声的同时不引入新的噪声，既实现了对CT图像整体特征的识别又保留了CT图像处理时的细节信息，相比BM3D、DnCNN等经典降噪算法，PCDnet降噪效果无论在主观视觉评价还是PSNR、FSIM等客观评价指标方面均有较大优势，验证了本文算法的有效性、鲁棒性和泛化能力。

目录

1 绪 论

1.1 课题研究背景与意义

1.2 X射线锥形束CT概况

1.3 X射线CT图像降噪算法研究现状

1.3.1 空间域图像滤波

1.3.2 结合相似块的空间域滤波

1.3.3 外部先验降噪法

1.4 本文的主要研究内容

1.5 论文结构安排

2 医学CT成像原理与卷积神经网络简介

2.1.1 螺旋CT构成

2.1.2 螺旋CT扫描成像原理

2.2 锥形束CT成像原理

2.2.1 锥形束CT构成及其扫描方式

2.2.2 锥形束CT扫描成像基础

2.3 螺旋CT与CBCT成像图像质量差异

2.4 卷积神经网络结构

2.4.1 卷积层

2.4.2 池化层

2.4.3 全连接层

2.5 激活函数

2.5.1 Sigmoid函数

2.5.2 tanh函数

2.5.3 ReLu函数

2.5.4 Leaky ReLu函数

2.6 反向传播算法

2.7.1 局部连接

2.7.2 权重共享

2.8 本章小结

3 基于卷积神经网络的医学锥形束CT图像降噪算法研究

3.1 概述

3.2 CBCT图像噪声特性分析

3.3 PCDNet网络模型

3.3.1 网络深度选取

3.3.2 网络架构

3.3.3 损失函数

3.4 训练方式

3.4.1 梯度下降方式

3.4.2 参数调整

3.5 本章小结

4 实验结果与讨论

4.1降噪效果评价标准

4.1.1 主观评价

4.1.2 客观评价

4.2 实验平台与数据集

4.3.1 训练数据集处理

4.3.2 训练集数据切块大小对网络性能的影响

4.4实验

4.4.1 模拟实验

4.4.2 临床实验

4.4.3 高剂量模拟实验和验证性实验

4.5 本章小结

5 总结与展望

5.1 研究工作总结

5.2研究工作展望

参 考 文 献

附录

A. 作者在攻读硕士学位期间发表的论文目录

B. 作者在攻读硕士期间参加的科研项目

C. 学位论文数据集

致谢