| 基于改进U-net的自监督低剂量CT图像去噪算法研究 |
| |
| 引用本文： | 王芸,李章勇,伍佳,黄志伟,秦对.基于改进U-net的自监督低剂量CT图像去噪算法研究[J].光电子．激光,2024,35(4):423-430. |
| |
| 作者姓名： | 王芸 李章勇 伍佳 黄志伟 秦对 |
| |
| 作者单位： | 重庆邮电大学 生物信息学院，重庆 400065,重庆邮电大学 生物信息学院，重庆 400065,西南医科大学 医工医信融合与转化医学泸州市重点实验室，四川 泸州 646000,西南医科大学 医工医信融合与转化医学泸州市重点实验室，四川 泸州 646000,西南医科大学 医工医信融合与转化医学泸州市重点实验室，四川 泸州 646000 |
| |
| 基金项目： | 国家自然科学基金(62171073)和医工医信融合与转化医学泸州市重点实验室项目(XGY202109)资助项目 |
| |
| 摘 要： | 针对低剂量CT(low-dose CT,LDCT) 图像去噪过程中配对数据难以获取的问题,本文提出了一种基于注意力机制和联合损失的自监督LDCT图像去噪算法。在该算法中,利用边缘增强后的U-net网络完成LDCT图像的特征提取,在网络框架中引入通道和像素注意力机制,以提高网络对噪声和伪影的抑制能力。同时使用联合损失避免传统损失对图像造成的图像过平滑问题,使得去噪后图像更加接近原图像。实验结果表明:所提出的算法可有效抑制LDCT图像的噪声,保留图像的纹理细节。经过算法处理后的LDCT图像的峰值信噪比(peak signal-to-noise ratio,PSNR)提高了16.40%,结构相似性(structural similarity,SSIM)提高了9.60%。在无配对数据下,该方法可有效保留细节并减少低剂量扫描产生的噪声,为临床LDCT图像去噪提供新思路。
|
| 关 键 词： | 低剂量CT(LDCT) 去噪 无监督学习 注意力机制 联合损失 |
| 收稿时间： | 2023/1/4 0:00:00 |
| 修稿时间： | 2022/11/29 0:00:00 |
Research on self-supervised low-dose CT image denoising algorithm based on improved U-net |
| |
| WANG Yun,LI Zhangyong,WU Ji,HUANG Zhiwei and QIN Dui.Research on self-supervised low-dose CT image denoising algorithm based on improved U-net[J].Journal of Optoelectronics·laser,2024,35(4):423-430. |
| |
| Authors: | WANG Yun LI Zhangyong WU Ji HUANG Zhiwei and QIN Dui |
| |
| Affiliation: | School of Bioinformatics, Chongqing University of Posts and Telecommunications, Chongqing 400065, China,School of Bioinformatics, Chongqing University of Posts and Telecommunications, Chongqing 400065, China,Medicine & Engineering & Informatics Fusion and Transformation Key Laboratory of Luzhou City, Southwest Medical University, Luzhou, Sichuan 646000, China,Medicine & Engineering & Informatics Fusion and Transformation Key Laboratory of Luzhou City, Southwest Medical University, Luzhou, Sichuan 646000, China and Medicine & Engineering & Informatics Fusion and Transformation Key Laboratory of Luzhou City, Southwest Medical University, Luzhou, Sichuan 646000, China |
| |
| Abstract: | |
| |
| Keywords: | low-dose CT (LDCT) denoising unsupervised learning attention mechanism compound loss |
|
| 点击此处可从《光电子．激光》浏览原始摘要信息 |
|
点击此处可从《光电子．激光》下载全文 |
|
