X 射线 CT 中基于生成对抗网络的非配对图像去噪
计算机视觉与模式识别
2019-08-13 v2
摘要
本文提出一种基于深度学习的去噪方法，用于在无配对训练数据情况下对含噪低剂量计算机断层扫描（CT）图像去噪。所提方法采用保真度嵌入生成对抗网络（GAN），从低剂量 CT（LDCT）与标准剂量 CT（SDCT）图像的非配对训练数据中学习去噪函数，其中去噪函数即 GAN 框架中的最优生成器。本文分析 f-GAN 目标以推导合适的生成器，其通过最小化两项损失的加权和来优化：SDCT 数据分布与生成分布间的 Kullback-Leibler 散度，以及 LDCT 图像与对应生成图像（或去噪图像）间的 ℓ_2 损失。所计算的生成器通过训练反映关于 SDCT 数据分布的先验信念。我们观察到所提方法在消除噪声的同时保留了细微异常特征。实验结果表明，使用非配对数据集的所提深度学习方法性能与使用方法配对数据集的方法相当。还进行了临床实验以证明所提方法对低剂量 X 射线 CT 中产生的噪声的有效性。
引用
@article{arxiv.1903.06257,
title = {Unpaired image denoising using a generative adversarial network in X-ray CT},
author = {Hyoung Suk Park and Jineon Baek and Sun Kyoung You and Jae Kyu Choi and Jin Keun Seo},
journal= {arXiv preprint arXiv:1903.06257},
year = {2019}
}