基于联合双边滤波与智能参数优化的低剂量 CT 去噪

临床 CT 图像的去噪是深度学习研究的一个活跃领域。当前临床批准的方法使用迭代重建方法来降低 CT 图像中的噪声。迭代重建技术需要多次前向和反向投影，耗时且计算昂贵。近年来，深度学习方法已成功用于 CT 图像去噪。然而，传统深度学习方法存在“黑箱”问题。它们可解释性低，而这对于临床成像应用是必要的。在本文中，我们使用联合双边滤波器（JBF）对 CT 图像进行去噪。JBF 的引导图像使用深度残差卷积神经网络（CNN）进行估计。JBF 的域平滑和空间平滑参数由一个深度强化学习任务进行调节。我们的 actor 首先选择一个参数，随后选择一个动作来调节该参数的值。设计了一个奖励网络来指导强化学习任务。我们的去噪方法展现出良好的去噪性能，同时保留了结构信息。我们的方法显著优于最先进的深度神经网络。此外，我们的方法仅有两项参数，这使其可解释性显著提高并缓解了“黑箱”问题。我们通过实验测量了智能参数优化和奖励网络的影响。我们的研究表明，当前设置在中结构保持方面产生了最佳结果。