一种基于 CycleGAN 改进的低剂量 CT 图像增强网络

低剂量 CT 是一种有效且相对安全的胸腹部疾病筛查手段,但图像中的伪影和噪声会严重影响医生的诊断。基于深度学习的图像增强方法中网络训练大多依赖于难以获取的配对数据,即同一患者相同部位像素级匹配的低剂量和常规剂量 CT 图像。针对非配对数据,提出了一种基于循环一致性生成对抗网络(CycleGAN)改进的低剂量 CT 图像增强网络,在生成器前添加浅层特征预提取模块,增强对 CT 图像特征的提取能力;并利用深度可分离卷积替换生成器中的部分普通卷积,减少网络参数和显存占用。该网络使用 3 275 张低剂量 CT 图像和 2 790 张非配对常规剂量 CT 图像进行训练,另外 1 716 张低剂量 CT 图像进行测试。结果表明,该网络生成的CT 图像的平均感知图像质量评价指标(PIQE)为 45.53,比 CycleGAN 的结果降低了 8.3%,更远低于三维块匹配滤波(BM3D) 31.9%、无监督图像转换网络(UNIT) 20.9%,且在结构细节保持、噪声和伪影抑制方面均获得了更好的主观视觉效果,是一种具有潜在临床应用前景的低剂量 CT 图像增强方法。