基于多尺度小波残差网络的稀疏角度CT图像恢复
韦子权
王永波
陶熙
贾晓
边兆英
谌高峰
李明强
马昆
李彬
马建华
1.南方医科大学生物医学工程学院,广东 广州 510515;广州市医用放射成像与检测技术重点实验室,广东广州 5105152.南方医科大学生物医学工程学院,广东 广州 510515;广州市医用放射成像与检测技术重点实验室,广东广州 5105153.南方医科大学生物医学工程学院,广东 广州 510515;广州市医用放射成像与检测技术重点实验室,广东广州 5105154.南方医科大学生物医学工程学院,广东 广州 510515;广州市医用放射成像与检测技术重点实验室,广东广州 5105155.南方医科大学生物医学工程学院,广东 广州 510515;广州市医用放射成像与检测技术重点实验室,广东广州 5105156.南方医科大学生物医学工程学院,广东 广州 510515;广州市医用放射成像与检测技术重点实验室,广东广州 5105157.南方医科大学生物医学工程学院,广东 广州 510515;广州市医用放射成像与检测技术重点实验室,广东广州 5105158.南方医科大学生物医学工程学院,广东 广州 510515;广州市医用放射成像与检测技术重点实验室,广东广州 5105159.南方医科大学生物医学工程学院,广东 广州 510515;广州市医用放射成像与检测技术重点实验室,广东广州 51051510.南方医科大学生物医学工程学院,广东 广州 510515;广州市医用放射成像与检测技术重点实验室,广东广州 510515
摘要：目的 稀疏角度CT具有加速数据采集和减少辐射剂量的优点.然而,由于采集信息的减少,使用传统滤波反投影算法(FBP)进行重建得到的图像中伴有严重的条形伪影和噪声.针对这一问题,本文提出基于多尺度小波残差网络(MWResNet)对稀疏角度CT图像进行恢复.方法 本网络中将小波网络与残差块相结合,用以增强网络对图像特征的提取能力和加快网络训练效率.实验中使用真实的螺旋几何CT图像数据"Low-dose CT Grand Challenge"数据集训练网络.通过观察图像表征和计算定量参数的方法对结果 进行评估,并与其他现有网络进行比较,包括图像恢复迭代残差卷积网络(IRLNet),残差编码解码卷积神经网络(REDCNN)和FBP卷积神经网络(FBPConvNet).结果 实验结果表明,本文提出的多尺度小波残差网络优于其余对比方法.结论 本文提出的MWResNet网络能够在保持稀疏角度CT图像边缘细节信息的同时有效抑制噪声和伪影.
关键词：稀疏角度CT残差网络多尺度小波变换
资助基金：国家自然科学基金(U1708261)国家自然科学基金(81701690)国家自然科学基金(61571214)国家自然科学基金(61701217)广州市科技计划(201705030009)广东省科技计划(2015B020233008)广东省科技计划(2017B020229004)
论文发表日期：2019-11-01
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：9( 1320-1328 )
英文信息