基于对抗训练的U-Net神经网络在稀疏投影CT图像增强的应用

发布时间：2022-08-01 19:43

　　目的:针对稀疏投影的CT重建图像附带噪声和伪影的特性,使用神经网络模型对稀疏投影得到的低质量CT重建图像进行图像增强。方法:在残差编码-解码卷积神经网络基础上提出一种基于对抗训练的U-Net神经网络模型,并使用公开数据集TCGA-CESC癌症CT影像进行模型训练和测试。评价模型处理效果的指标包括峰值信噪比（PSNR）、结构相似性（SSIM）和均方根误差（RMSE）。结果:在对180次探测的CT重建图像的测试中,模型处理后的图像相比未处理图像,PSNR、SSIM和RMSE指标平均值分别提升15.10%、37.89%和38.20%。在PSNR和SSIM指标平均值意义下,模型处理后的图像优于1 800次探测的未处理CT重建图像。结论:本研究提出的神经网络模型能够减少伪影和噪点,对稀疏投影CT图像增强有一定效果。 

【文章页数】：7 页

【文章目录】：
前言
1 CT重建算法
2 基于对抗训练的U-Net神经网络
    2.1 模型与原理
    2.2 目标函数选取
        2.2.1 增强网络的目标函数
        2.2.2 鉴别器的目标函数
3 实验分析
    3.1 数据集选取和处理
    3.2 评价指标
    3.3 实验细节
    3.4 实验结果
        3.4.1 基于测试集的单样本分析
        3.4.2 基于测试集的总体分析
4 结论


【参考文献】：
期刊论文
[1]ART算法几种重建模型的研究和比较[J]. 张顺利.  航空计算技术. 2005(02)
[2]最佳无损检测手段──工业CT技术的发展[J]. 先武，李时光，王珏.  光电工程. 1995(04)

硕士论文
[1]二维CT图像重建算法研究[D]. 毛小渊.南昌航空大学 2016
[2]CT图像滤波反投影重建算法的研究[D]. 范慧赟.西北工业大学 2007



本文编号：3668060