基于漸進式網絡處理的低劑量Micro-CT成像方法

作者：蔡寧,王世杰,陳璐杰,張誼坤,陳陽,羅守華,顧寧

摘要：微米級計算機斷層掃描(Micro-CT)的應用領域很廣泛,在生物醫學、材料科學等都有研究,而且最近幾年的發展很迅速。Micro-CT圖像常因輻射劑量的限制而出現噪聲,所以開發一種合適的算法來抑制Micro-CT圖像中噪聲變得很重要。Micro-CT圖像的噪聲水平與掃描樣本、掃描參數等參數有關,合適的噪聲抑制算法應該在不同噪聲水平下都有不錯的性能。過去Micro-CT圖像的噪聲抑制算法主要是迭代重建算法,但迭代重建算法速度比較慢。深度學習方法作為近些年比較熱門的圖像處理方法,在臨床低劑量CT圖像處理上相比于傳統方法效果更好、處理速度更快,有進一步在低劑量Micro-CT圖像處理中應用的潛力。另外,生成對抗網絡在保持圖像細節上有著比卷積神經網絡更好的效果,本文構建普通卷積神經網絡與生成對抗網絡,用于對比兩者的性能差異。限制于放射源的功率,低噪聲的Micro-CT數據難以獲取,提出一種創新的掃描方式,可有效獲取低噪聲的Micro-CT數據,并對實驗小鼠的進行了掃描。針對低劑量Micro-CT中較高的噪聲,結合Micro-CT的成像原理,提出漸進式的低劑量Micro-CT圖像處理方法,分別在解析重建前后對小鼠的Micro-CT圖像進行兩次處理。相比于只在斷層圖像上處理,漸進式方法對高噪聲數據的處理效果更好。從客觀指標與主觀視覺效果上,分析和對比了漸進式方法與其他深度學習方法或迭代重建算法的差別。定量分析不同噪聲水平下的Micro-CT圖像的處理效果,分析生成對抗網絡在漸進式Micro-CT圖像處理中的優勢與限制。漸進式Micro-CT圖像處理方法生成的圖像質量高、生成速度快、魯棒性高、客觀指標高,可以對進一步的高級應用如圖像分割、圖像三維可視化等提供幫助。

發文機構：東南大學計算機科學與工程學院 東南大學生物科學與醫學工程學院 計算機網絡和信息集成教育部重點實驗室（東南大學） 生物電子學國家重點實驗室 江蘇省生物材料與器件重點實驗室

關鍵詞：MICRO-CT低劑量卷積神經網絡生成對抗網絡Micro-CTlow doseconvolutional neural network(CNN)generative adversarial network(GAN)

分類號： TP391.41[自動化與計算機技術—計算機應用技術]R814.41[自動化與計算機技術—計算機科學與技術]