JBFnet——基于可训练联合双边滤波的低剂量 CT 去噪

深度神经网络在低剂量 CT 去噪方面已展现出巨大成功。然而，这些深度神经网络大多具有数十万可训练参数。这一点结合神经网络固有的非线性，使得深度神经网络难以理解且可解释性低。在本研究中，我们提出 JBFnet，一种用于低剂量 CT 去噪的神经网络。JBFnet 的架构实现了迭代双边滤波。联合双边滤波器（JBF）的滤波函数通过浅层卷积网络学习。引导图像由深度神经网络估计。JBFnet 被划分为四个滤波块，每个块执行联合双边滤波。每个 JBF 块由 112 个可训练参数组成，使得去噪过程可被理解。噪声图（NM）在滤波后加入以保留高层特征。我们使用 10 名患者的身体扫描数据训练 JBFnet，并在 AAPM 低剂量 CT Grand Challenge 数据集上测试。我们将 JBFnet 与最先进的深度学习网络进行比较。在去除噪声同时保留结构方面，JBFnet 在测试数据集上优于 CPCE3D、GAN 和深度 GFnet。我们进行了若干消融实验以测试网络架构和训练方法的性能。我们当前的设置取得了最佳性能，同时仍保持行为可解释性。