摘要: 医用计算机断层扫描(ComputedTomography,CT)是利用X射线的穿透力对人不同身体组织进行断层成像，但患者CT扫描过程的X射线辐射累积会带来患癌概率增加的潜在健康风险。而直接降低剂量的低剂量CT(LowDoseCT,LDCT)扫描模式通常会给重建图像带来大量噪声... 展开 医用计算机断层扫描(ComputedTomography,CT)是利用X射线的穿透力对人不同身体组织进行断层成像，但患者CT扫描过程的X射线辐射累积会带来患癌概率增加的潜在健康风险。而直接降低剂量的低剂量CT(LowDoseCT,LDCT)扫描模式通常会给重建图像带来大量噪声和伪影，降低信噪比，影响诊断精度。因此科研人员与工程设计人员常通过多种途径改善LDCT扫描图像质量，以提高升诊断精度。在LDCT成像算法方面，主流的方法可分为三类:1)重建前的投影域滤波;2)迭代重建;3)重建后的图像处理。伴随大数据集和大样本库的建立，深度学习技术在LDCT重建后图像处理中得到了全面应用，具有算法易实施，不依赖于原始数据，可扩展性好等优势，是近年来研究的主要方向。针对不同部位LDCT图像退化类型及强度复杂，处理难度大这一核心问题，本文借助于深度神经网络，设计系列专用于LDCT图像处理的可调控学习网络模型，实现处理后图像质量上的统一，提高LDCT成像效果。主要工作及研究创新如下: (1)常规的残差网络在图像复原及处理中具有较大优势，但其恒等映射形式单一,难以适用于复杂退化过程的LDCT图像。本方法在常规残差网络架构基础上，设计了一种用于LDCT图像处理的可调控的条件残差网络。采用在常规的残差连接上添加调控权重的方式，设计一种可调控的残差模块，以适应不同强度和形式的特征映射。通过输入层、输出层及可调控的残差模块的组合，建立用于LDCT图像处理的动态可调控的残差网络，以估计获得高质量CT图像。该网络包括两个子网络，用于图像数据映射的基础网络和用于调控权重生成的条件网络。通过两个子网络的协作训练，构建了端到端的LDCT图像处理模型。实验表明，该网络模型初步实现对LDCT图像中不同水平的伪影和噪声的抑制，在去除伪影和噪声同时，尽可能的保留原图像组织细节。 (2)为了获得更加精细的图像纹理，及完整的组织结构信息，提出一种基于可调控U型网络(U-shapedNetwork,UNet)的LDCT图像处理方法。该网络同样包括基础网络及条件网络两部分。基础网络是在常规UNet基础上，借助可调控的残差，对其编码器和解码器进行改进获得的。可实现可调控残差式的多尺度特征学习，建立小尺度的深层特征、大尺度的浅层特征的提取与表示,形成了针对LDCT图像处理的可调控映射。条件网络设计中，通过结合噪声和伪影的特点，将使用多层全连接网络，以更准确估计特征控制权值，并修正UNet中不同尺度特征图的使用量，实现特征的可调控功能，以获得更优的去噪去伪影性能，最大化保留纹理组织等细节，同时提高算法运行效率。实验表明，改进型的可调控UNet在LDCT图像处理方面具有较好的性能，在图像组织结构细节的保持上得到了增强。 (3)为进一步实现对处理后LDCT图像中的细节及纹理的保持，使其更加接近NDCT图像，借助于生成对抗学习的思想，在生成对抗网络框架中引入基于可调控网络,提出了一种深度可调控对抗学习网络。该网络包括两个主要部分，生成器和判别器。在生成器网络中，使用由基础子网络和条件子网络组成的组合网络来提高基于GAN的LDCT图像质量。以改进型Vgg-128为判别器，可提高生成器的泛化能力，并且可以很好地抑制LDCT图像各部分中的噪声伪影。此外，为了提高处理效果并尽可能保留图像细节，所构建的去处理络在多种损失下进行训练，包括如:对抗损失、平均结构相似性(MeanStructuralSimilarityIndexMeasure,MSSIM)损失和梯度惩罚等。实验表明，可调控学习的对抗学习框架可获得高质量的LDCT图像处理图，其性能优于可调控残差网络及可调控UNet。实验同时验证了可调控学习及混合损失策略的有效性。 最后，对本文使用的三种不同可调控网络进行了总结，并给出现阶段LDCT图像处理算法仍需面临的挑战，同时针对这些问题讨论了LDCT图像处理的未来研究趋势。 收起