DU-GAN：基于双域U-Net判别器的生成对抗网络用于低剂量CT去噪
图像与视频处理
2022-04-19 v2 计算机视觉与模式识别
医学物理
摘要
由于CT相关X射线辐射对患者的潜在健康风险，低剂量CT（LDCT）在医学影像领域受到重点关注。然而，降低辐射剂量会劣化重建图像质量，进而影响诊断性能。多种深度学习技术已被引入以通过去噪改善LDCT图像质量。基于GAN的去噪方法通常利用额外的分类网络（即判别器）来学习去噪图像与正常剂量图像之间最具判别性的差异，从而相应地正则化去噪模型；其往往侧重于全局结构或局部细节之一。为更好地正则化LDCT去噪模型，本文提出一种称为DU-GAN的新方法，其在GANs框架中利用基于U-Net的判别器，在图像域与梯度域同时学习去噪与正常剂量图像间的全局与局部差异。此类基于U-Net的判别器的优点在于，不仅可通过U-Net的输出向去噪网络提供逐像素反馈，还可借助U-Net的中间层在语义层面关注全局结构。除图像域的对抗训练外，我们还在图像梯度域应用另一个基于U-Net的判别器，以缓解光子匮乏引起的伪影并增强去噪CT图像的边缘。此外，CutMix技术使基于U-Net的判别器的逐像素输出能够为放射科医生提供置信度图，以可视化去噪结果的不确定性，便于基于LDCT的筛查与诊断。在模拟与真实世界数据集上的大量实验表明，该方法在定性与定量上均优于近期发表的方法。
引用
@article{arxiv.2108.10772,
title = {DU-GAN: Generative Adversarial Networks with Dual-Domain U-Net Based Discriminators for Low-Dose CT Denoising},
author = {Zhizhong Huang and Junping Zhang and Yi Zhang and Hongming Shan},
journal= {arXiv preprint arXiv:2108.10772},
year = {2022}
}
备注
Accepted by IEEE Transactions on Instrumentation and Measurement