基于多尺度U-net的三维稀疏角度CT图像后处理算法研究
发布时间：2021-11-04 14:02
稀疏投影角度CT重建图像主要是指在CT重建时,使用较少角度数量的投影来进行重建,这样可以减少CT扫描时间,进而有助于减少病人所受辐射剂量,但其带来的负面影响是重建图像中有严重的条状伪影。现有基于解析重建的后处理办法在处理此类图像时,会出现边界模糊以及条状伪影无法精确预测的问题,并且解析重建本身缺乏对噪声的抑制;而基于迭代重建的办法重建时间过长的问题也很难解决。卷积神经网络因其强大的非线性建模能力,能够有效的提取图像不同层次的特征。近几年卷积神经网络在图像处理领域表现突出,为去除稀疏角度CT图像的伪影研究提供了崭新的思路。因此本课题使用卷积神经网络来研究对于稀疏角度CT解析重建图像中的伪影噪声的抑制和消除,其目的在于尽可能通过减少CT重建的投影角度数目来减少CT扫描剂量,减少病人所受CT扫描产生的辐射的同时,提高其成像质量,为医疗诊断提供有效辅助。在总体上,本课题可以按如下两部分划分:本课题设计了针对条状伪影的卷积神经网络来对稀疏角度CT图像进行后处理,该算法设计从含噪声伪影图像到其中所含噪声伪影的映射,在设计网络的同时探索了多尺度U型处理结构,残差模块,训练数据分块大小,网络的深度对于...
【文章来源】：东南大学江苏省 211工程院校 985工程院校 教育部直属院校
【文章页数】：68 页
【学位级别】：硕士
【部分图文】：
卷积操作示意图
第二章卷积神经网络基本概念及算法8图2-2激活函数示意图从图2-2中可以看出，sigmoid函数在靠近坐标原点的一段区间内，其梯度是最大的，靠近两边梯度较小，曲线较平缓，因此sigmoid函数对0左右的数值激励较大，而绝对值较大的数值，激励较小，甚至不变。此外在两边，由于梯度靠近0但又不是0，且恒大于0，可能因链式求导产生梯度弥散问题。其次sigmoid函数输出均大于0，不符合零均值，可能会产生捆绑效应，使得网络收敛缓慢。tanh函数对sigmoid的非0均值问题进行了改进，从图中可以看出，tanh的输出是符合0均值分布的。sigmoid和tanh共同的缺点是式子比较复杂，求导相对复杂，导致梯度更新减慢从而增加训练时间。ReLU函数针对上述缺点，使用两段分段函数，小于0时输出恒等于0，大于0时输出直接映射，求导简单，计算速度快，并且在正区间没有sigmoid的梯度弥散问题。ReLU因其种种优点成为当下最常用的激活函数，本文也是采用ReLU作为激活函数对卷积之后的输出进行激活。2.1.5损失函数损失函数又称代价函数，是衡量模型输出预测值与实际值之间差距的一种量化指标。好的损失函数可以使得模型较快收敛到预期目标，而不合适的损失函数可能导致模型收敛至错误的方向。图像处理领域最常用的损失函数是均方差（MeanSquareError，MSE）损失，其表达式如下211001(,)(,)whreslabelijLossIijIijwh(2.4)其中w，h为图像的长宽尺寸，resI表示最终输出的结果，labelI表示对比图像，该值即效果图像中每个像素点与对比图像对应像素点的差值平方之平均。其值越小说明两幅图像越接近。最终的损失函数中还可以添加规则化项对网络中的参数进行约束，提高模型抗过拟合能力，也可以添加对于最终效果的正则化来对整体模型进行约束，?
第三章基于卷积神经网络的稀疏角度CT图像后处理13第三章基于卷积神经网络的稀疏角度CT图像后处理3.1引言在CT扫描时，减少投影采样角度可以降低CT扫描辐射剂量，减少对于人体的辐射危害，但与此同时CT成像质量也会随着剂量降低而降低。如图3-1所示，从左往右依次是完整角度重建图像（1200角度，FDK重建），稀疏角度重建图像（120角度，FDK重建），以及稀疏角度重建图像中所包含的伪影示意图。图3-1稀疏角度CT图像及伪影示意图。（a）为完整投影角度CT重建图像，（b）为稀疏投影角度CT重建图像，（c）为稀疏投影角度CT图像中包含的噪声及伪影本章目的是对稀疏投影角度CT图像进行后处理，以期达到在尽量减少采样角度情况下，经过本章提出的神经网络处理，能够达到或接近完整角度CT图像的成像质量。3.2基于多尺度U-net的三维稀疏角度CT图像后处理网络结构设计稀疏角度CT图像所含有的伪影呈条状分布，尺度分布范围较广，在单一尺度上与图像正常结构区分难度较大，因此本章中采用U-net中多尺度特征提取的结构[52]来应对。另外为提高网络性能，使用resnet[54]中的残差模块来代替原来的直线堆叠网络结构,构建更深层的卷积神经网络。整体结构上，去伪影可以采用的映射结构有两种：一是从稀疏角度CT图像直接学习映射到完整角度CT图像，本章称之为常规学习；二是从稀疏角度CT图像来学习其中含有的伪影特征，最终映射成稀疏角度CT图像中所含有的伪影图像（如图4-1，c图所示），因为学习的是稀疏角度CT图像和正常角度CT图像之间的差值，故而称之为残差学习。经研究表明，残差学习要比常规学习简单的多，伪影与噪声的结构相比CT图像正常结构要容易学习与识别[67]。所以本章算法采用第二种办法，从稀疏角度CT图像中学习其中含有的伪影及噪声特征，然?
【参考文献】：
期刊论文
[1]基于深度卷积神经网络的图像去噪研究[J]. 李传朋,秦品乐,张晋京. 计算机工程. 2017(03)
[2]低剂量CT扫描对儿童肺部病变的诊断与防护价值[J]. 方文辉,张健华,黄映宏,郑文斌,张远芳. CT理论与应用研究. 2007(01)
[3]多层螺旋CT胸部低剂量扫描发现肺结节的临床研究[J]. 吴晓华,马大庆,张忠嘉,冀景玲,张岩松. 中华放射学杂志. 2004(07)
[4]三维锥形束CT解析重建算法发展综述[J]. 曾凯,陈志强. 中国体视学与图像分析. 2003(02)
博士论文
[1]光学遥感图像质量提升及评价技术研究[D]. 崔光茫.浙江大学 2016
硕士论文
[1]基于卷积神经网络的低剂量CT图像处理方法[D]. 张慧娟.东南大学 2017
本文编号：3475876
【文章来源】：东南大学江苏省 211工程院校 985工程院校 教育部直属院校
【文章页数】：68 页
【学位级别】：硕士
【部分图文】：
卷积操作示意图
第二章卷积神经网络基本概念及算法8图2-2激活函数示意图从图2-2中可以看出，sigmoid函数在靠近坐标原点的一段区间内，其梯度是最大的，靠近两边梯度较小，曲线较平缓，因此sigmoid函数对0左右的数值激励较大，而绝对值较大的数值，激励较小，甚至不变。此外在两边，由于梯度靠近0但又不是0，且恒大于0，可能因链式求导产生梯度弥散问题。其次sigmoid函数输出均大于0，不符合零均值，可能会产生捆绑效应，使得网络收敛缓慢。tanh函数对sigmoid的非0均值问题进行了改进，从图中可以看出，tanh的输出是符合0均值分布的。sigmoid和tanh共同的缺点是式子比较复杂，求导相对复杂，导致梯度更新减慢从而增加训练时间。ReLU函数针对上述缺点，使用两段分段函数，小于0时输出恒等于0，大于0时输出直接映射，求导简单，计算速度快，并且在正区间没有sigmoid的梯度弥散问题。ReLU因其种种优点成为当下最常用的激活函数，本文也是采用ReLU作为激活函数对卷积之后的输出进行激活。2.1.5损失函数损失函数又称代价函数，是衡量模型输出预测值与实际值之间差距的一种量化指标。好的损失函数可以使得模型较快收敛到预期目标，而不合适的损失函数可能导致模型收敛至错误的方向。图像处理领域最常用的损失函数是均方差（MeanSquareError，MSE）损失，其表达式如下211001(,)(,)whreslabelijLossIijIijwh(2.4)其中w，h为图像的长宽尺寸，resI表示最终输出的结果，labelI表示对比图像，该值即效果图像中每个像素点与对比图像对应像素点的差值平方之平均。其值越小说明两幅图像越接近。最终的损失函数中还可以添加规则化项对网络中的参数进行约束，提高模型抗过拟合能力，也可以添加对于最终效果的正则化来对整体模型进行约束，?
第三章基于卷积神经网络的稀疏角度CT图像后处理13第三章基于卷积神经网络的稀疏角度CT图像后处理3.1引言在CT扫描时，减少投影采样角度可以降低CT扫描辐射剂量，减少对于人体的辐射危害，但与此同时CT成像质量也会随着剂量降低而降低。如图3-1所示，从左往右依次是完整角度重建图像（1200角度，FDK重建），稀疏角度重建图像（120角度，FDK重建），以及稀疏角度重建图像中所包含的伪影示意图。图3-1稀疏角度CT图像及伪影示意图。（a）为完整投影角度CT重建图像，（b）为稀疏投影角度CT重建图像，（c）为稀疏投影角度CT图像中包含的噪声及伪影本章目的是对稀疏投影角度CT图像进行后处理，以期达到在尽量减少采样角度情况下，经过本章提出的神经网络处理，能够达到或接近完整角度CT图像的成像质量。3.2基于多尺度U-net的三维稀疏角度CT图像后处理网络结构设计稀疏角度CT图像所含有的伪影呈条状分布，尺度分布范围较广，在单一尺度上与图像正常结构区分难度较大，因此本章中采用U-net中多尺度特征提取的结构[52]来应对。另外为提高网络性能，使用resnet[54]中的残差模块来代替原来的直线堆叠网络结构,构建更深层的卷积神经网络。整体结构上，去伪影可以采用的映射结构有两种：一是从稀疏角度CT图像直接学习映射到完整角度CT图像，本章称之为常规学习；二是从稀疏角度CT图像来学习其中含有的伪影特征，最终映射成稀疏角度CT图像中所含有的伪影图像（如图4-1，c图所示），因为学习的是稀疏角度CT图像和正常角度CT图像之间的差值，故而称之为残差学习。经研究表明，残差学习要比常规学习简单的多，伪影与噪声的结构相比CT图像正常结构要容易学习与识别[67]。所以本章算法采用第二种办法，从稀疏角度CT图像中学习其中含有的伪影及噪声特征，然?
【参考文献】：
期刊论文
[1]基于深度卷积神经网络的图像去噪研究[J]. 李传朋,秦品乐,张晋京. 计算机工程. 2017(03)
[2]低剂量CT扫描对儿童肺部病变的诊断与防护价值[J]. 方文辉,张健华,黄映宏,郑文斌,张远芳. CT理论与应用研究. 2007(01)
[3]多层螺旋CT胸部低剂量扫描发现肺结节的临床研究[J]. 吴晓华,马大庆,张忠嘉,冀景玲,张岩松. 中华放射学杂志. 2004(07)
[4]三维锥形束CT解析重建算法发展综述[J]. 曾凯,陈志强. 中国体视学与图像分析. 2003(02)
博士论文
[1]光学遥感图像质量提升及评价技术研究[D]. 崔光茫.浙江大学 2016
硕士论文
[1]基于卷积神经网络的低剂量CT图像处理方法[D]. 张慧娟.东南大学 2017
本文编号：3475876
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3475876.html
最近更新
教材专著
