面向低剂量CT图像的多生成器对抗网络降噪模型的研究

发布时间：2023-05-30 22:25

　　针对低剂量计算机断层扫描将导致扫描图像噪声高的问题,本文提出了一种用于图像降噪的多生成器的生成对抗网络(TriGAN)模型.首先提出了三个生成器的并行结构对不同类型噪声进行有针对性的图像降噪;其次引入残差网络,避免梯度消失等问题,保证训练阶段的稳定和高效;最后,利用谱归一化方法解决生成对抗网络在训练过程中可能出现的模式坍塌和慢收敛的问题.实验结果表明,TriGAN和其他深度学习模型DnCNN和GAN等相比较,图像的峰值信噪比达到26.67,平均提高了4.5%;结构相似性达到0.98,平均提高了1.5%.此外,采用TriGAN模型降噪后的断层扫描图像亨氏单位的平均值为32.61,标准差为58.91,最接近标准剂量CT样本图像的断层扫描数.

【文章页数】：6 页

【文章目录】：
1 引言
2 相关工作
    2.1 生成对抗网络(GAN)
    2.2 深度残差网络
    2.3 图像降噪
3 低剂量CT图像的生成对抗网络降噪模型
    3.1 理论分析
    3.2 对抗网络的目标函数
    3.3 训练的稳定性
    3.4 Tri GAN的网络结构
        3.4.1 三生成器生成对抗网络模型
        3.4.2 生成器
        3.4.3 判别器
4 实验与量化分析
    4.1 实验数据集
    4.2 量化评估指标
    4.3 实验结果量化分析
        4.3.1 人眼视觉评价
        4.3.2 定量分析
        4.3.3 统计特性分析
        4.3.4 模型收敛性
5 总结



本文编号：3825151