基于對抗訓練的U-Net神經網絡在稀疏投影CT圖像增強的應用

黃錦威，蕭文鵬，朱思婷，丘皓怡，陳星宇，劉深泉

1.華南理工大學數學學院，廣東廣州510640；2.華南理工大學計算機科學與工程學院，廣東廣州510006；3.華南理工大學電力學院，廣東廣州510641

前言

X 射線CT 技術是一種無損檢測技術，廣泛應用于醫療檢查和工業物品檢測等領域［1］。由于X 射線的輻射性，所以在醫療診斷中，對特殊受檢者要適當降低X射線劑量或減少探測次數，從而降低檢測過程中輻射的影響，但低劑量的X射線投影過程容易受到噪聲干擾，而稀疏投影會使探測得到的信息量減少，導致重建的CT 圖像帶有偽影，影響進一步的醫療診斷。

傳統的CT 圖像降噪常用濾波函數對圖像進行全局濾波平滑，但這種無差別的平滑處理可能丟失CT圖像的部分細節信息。而近年來基于神經網絡模型的圖像處理技術得到廣泛研究應用，如圖像分類［2］、物體檢測［3］、圖像超分辨率化［4-6］、圖像風格化［7-8］等，在圖像數據集測試中取得優于傳統方法的效果。Chen 等［9］提出殘差編碼-解碼卷積神經網絡（Residual Encoder-Decoder Convolutional Neural Network,RED-CNN）模型用于低劑量CT 圖像增強，本研究基于RED-CNN 模型，提出一種基于對抗訓練的U-Net神經網絡，用于稀疏投影CT圖像增強。

1 CT重建算法

CT 圖像的重建算法主要分為兩類：一類是基于Radon 變換［10-11］的解析類重建算法，另一類是以解方程為主要思想的代數重建算法［12］。

解析類重建算法又可分為濾波反投影法算法［11,13］和直接傅里葉變換重建算法［14］。其中，濾波反投影算法基于反投影法，在其基礎上增加卷積濾波過程，具有重建速度快、空間和密度分辨率高等優點，在實際中得到廣泛應用；……