基于NSST域卷积神经网络的低剂量CT图像恢复

• 作者: 刘祎 桂志国 高净植
• 来源期刊: 计算机工程与应用
• 学科: 工学
• 关键词: 低剂量CT 图像恢复 非下采Shearlet变换 卷积神经网络 残差学习
• 年，卷（期）: 2019,（23）
• 所属期刊栏目: 图形图像处理
• 页码范围: 209-215
• 页数: 7页
• 分类号: TP391
• 字数: 5118字
• 语种: 中文
• DOI: 10.3778/j.issn.1002-8331.1810-0069

摘要

为解决低剂量CT(Low-Dose Computed Tomography,LDCT)图像中的噪声/伪影问题,提出一种基于非下采样Shearlet变换(Non-Sample Shearlet Transformation,NSST)的卷积神经网络(Convolution Neural Network, CNN)的NSST-CNN模型.训练时,对数据集中的常规剂量CT(Normal-Dose Computed Tomography,NDCT)和LDCT图像做NSST分解,将LDCT图像的高频子图作为输入,LDCT和NDCT图像的高频子图的残差图像作为标签,通过CNN训练,学习LDCT高频子图和高频残差子图的映射关系;测试时,将LDCT图像的高频子图减去利用映射关系预测的主要包括噪声/伪影的高频子图,然后做NSST反变换得到高质量的LDCT图像.实验结果表明,与KSVD、BM3D以及图像域CNN方法相比,NSST-CNN模型得到的结果具有更高的峰值信噪比和结构相似度,更接近NDCT图像.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	桂志国	中北大学山西省生物医学成像与影像大数据重点实验室	108	491	11.0	16.0
2	刘祎	中北大学山西省生物医学成像与影像大数据重点实验室	43	182	8.0	11.0
3	高净植	中北大学山西省生物医学成像与影像大数据重点实验室	2	5	1.0	2.0