17 天前

EDCNN:基于边缘增强的稠密连接网络与复合损失函数用于低剂量CT去噪

Tengfei Liang, Yi Jin, Yidong Li, Tao Wang, Songhe Feng, Congyan Lang
EDCNN:基于边缘增强的稠密连接网络与复合损失函数用于低剂量CT去噪
摘要

近年来,为降低计算机断层扫描(CT)中的X射线辐射风险,低剂量CT图像去噪技术受到研究人员的广泛关注,已成为医学图像领域的重要研究课题。随着深度学习技术的快速发展,众多算法应运而生,将卷积神经网络(CNN)应用于该任务,并取得了令人瞩目的成果。然而,现有方法仍存在去噪效率低、结果过度平滑等问题。本文提出一种基于边缘增强的密集连接卷积神经网络(Edge Enhancement based Densely Connected Convolutional Neural Network, EDCNN)。在网络架构中,我们设计了一种基于新型可训练Sobel卷积的边缘增强模块,利用该模块提取图像边缘特征,并通过构建密集连接结构融合这些边缘信息,实现端到端的图像去噪。此外,在模型训练过程中,引入一种复合损失函数,结合均方误差(MSE)损失与多尺度感知损失(multi-scales perceptual loss),有效缓解了图像过度平滑的问题,显著提升了去噪后的图像质量。实验结果表明,与现有的低剂量CT图像去噪算法相比,本文提出的EDCNN模型在细节保留与噪声抑制方面均表现出更优的性能。