基于SDN-GMM网络的低剂量双能CT投影数据去噪方法

史再峰，李慧龙，程 明，曹清洁，王子菊

基于SDN-GMM网络的低剂量双能CT投影数据去噪方法

史再峰1, 2，李慧龙1，程 明1，曹清洁3，王子菊1

(1. 天津大学微电子学院，天津 300072；2. 天津市成像与感知微电子技术重点实验室，天津 300072；3. 天津师范大学数学科学学院，天津 300387)

低剂量双能计算机断层扫描成像(DECT)技术可以在提供人体内部结构及组织成分信息的同时减少X射线辐射剂量. 然而，剂量的降低会导致DECT重建图像中出现大量的噪声及伪影，从而影响对疾病的精确诊断. 为实现在低剂量条件下重建出高质量的DECT图像，提出了一种采用混合高斯模型的正弦图去噪网络来进行伪影及噪声消除. 该网络由两部分构成：一部分通过残差学习以有监督的方式对校准后低剂量与正常剂量下DECT投影数据的映射关系进行拟合；另一部分采用混合高斯模型以无监督学习的方式提取DECT投影数据中噪声的分布模型. 采用这种监督与无监督学习结合的方式，不仅可以利用卷积运算的特征提取能力来拟合输入与标签之间任意复杂的映射关系，还可以在无标签约束的情况下，利用输入投影数据的自身分布规律来提高网络模型去噪性能及其泛化能力. 实验使用了XCAT生成的10名不同人体DECT投影数据对网络模型进行训练及测试. 实验结果表明，与正常剂量下获得的重建图像相比，该方法所获得的去噪后图像均方根误差值低于6×10-3，峰值信噪比以及结构相似性指数分别超过36.7dB和0.992. 相比于目前先进的低剂量CT噪声去除方法，该方法得到的DECT重建图像中组织结构更加清晰，并且可保留更多的细节信息，可为后续医疗诊断提供精准参考.