用于高效无监督低剂量CT去噪的AdaIN可切换CycleGAN

近年来,得益于其优越性能及较快的计算速度,深度学习方法已被广泛研究用于低剂量CT去噪。特别是,cycleGAN已被证明是一种强大的无监督学习方案,可在无需配对高剂量参考数据的情况下改善低剂量CT图像质量。遗憾的是,cycleGAN方法的主要局限之一在于训练阶段需要两个深度神经网络生成器,而推理阶段仅使用其中之一。辅助生成器用于强制循环一致性,但额外的内存需求与可学习参数的增加是cycleGAN训练的主要障碍。为解决此问题,我们提出了一种使用单个可切换生成器的新型cycleGAN架构。具体而言,该生成器采用自适应实例归一化(AdaIN)层实现,使得将低剂量CT图像转换为常规剂量CT图像的基础生成器,可通过简单改变AdaIN编码切换为将高剂量转换为低剂量的生成器。得益于共享的基础网络,额外的内存需求和权重增加被最小化,且即使使用少量训练数据也能更稳定地完成训练。实验结果表明,所提方法在使用仅约一半参数的同时优于以往的cycleGAN方法。