基于改进U-Net的低剂量CT图像重建方法

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。