EDCNN: Edge-Enhancement-basiertes dicht verbundenes Netzwerk mit zusammengesetzter Verlustfunktion zur Rauschunterdrückung in niederenergetischen CT-Aufnahmen

In den letzten Jahrzehnten hat die Rauschunterdrückung bei niedrigdosierten Computertomographie-(CT-)Bildern aufgrund der Bemühungen, das Risiko durch Röntgenstrahlung zu reduzieren, erhebliche Aufmerksamkeit von Forschern erfahren und ist zu einem zentralen Thema in der medizinischen Bildverarbeitung geworden. In den letzten Jahren, durch die rasante Entwicklung der tiefen Lernverfahren, sind zahlreiche Algorithmen entstanden, die Faltungsneuronale Netze (Convolutional Neural Networks, CNNs) für diese Aufgabe einsetzen und vielversprechende Ergebnisse erzielt haben. Dennoch bestehen weiterhin Herausforderungen wie geringe Rauschunterdrückungseffizienz und übermäßig geglättete Ergebnisse. In diesem Artikel stellen wir ein edge-verbessertes, dicht verbundenes Faltungsneuronales Netzwerk (Edge enhancement based Densely connected Convolutional Neural Network, EDCNN) vor. In unserem Netzwerk entwickeln wir ein Edge-Enhancement-Modul, das auf einem neuartigen, trainierbaren Sobel-Faltungsoperator basiert. Aufbauend auf diesem Modul konstruieren wir ein Modell mit dichten Verbindungen, um die extrahierten Kantendaten zu fusionieren und eine end-to-end-Bildrauschunterdrückung zu ermöglichen. Zudem führen wir beim Trainieren des Modells eine zusammengesetzte Verlustfunktion ein, die die MSE-Verlustfunktion mit einer mehrskaligen perceptiven Verlustfunktion kombiniert, um das Problem der Überglättung zu lösen und eine deutliche Verbesserung der Bildqualität nach der Rauschunterdrückung zu erreichen. Im Vergleich zu bestehenden Algorithmen zur Rauschunterdrückung bei niedrigdosierten CT-Bildern zeigt unser vorgeschlagenes Modell eine überlegene Leistung hinsichtlich der Erhaltung feiner Details und der Unterdrückung von Rauschen.