基于卷积神经网络的医用低剂量DR图像去噪研究

• 作 者: 任杰文
• 机 构: 东南大学
• 出 处: 东南大学
• 发表日期: 2020年01期
• 关键词: 图像去噪

X射线数字化放射成像（DR，Digital Radiography）使得医生在无创条件下，能够初步掌握关于病人病情和病灶的基本信息，在众多疾病的医学临床检查和诊断中扮演着不可替代的重要角色。为了降低电离辐射可能带来的致癌风险，低剂量成像是目前临床应用的必然趋势。然而降低辐射剂量将引入大量噪声，导致成像结果严重退化。近年来，随着硬件技术的发展和深度学习理论日渐成熟，基于卷积神经网络的图像噪声抑制研究取得了显著的成果。本文通过构建多层非线性变换网络，对 DR 图像中的噪声特征进行拟合，从而在低剂量条件下提升其成像质量，本课题研究内容主要分为以下三个部分：
　　首先，估算了低剂量 DR 图像中的噪声模型。理论上DR 图像在采集过程中受到高斯噪声，泊松噪声及乘性噪声的影响。通过多幅真实环境中采集的低剂量 DR 图像进行噪声分析与曲线拟合，发现其噪声特征在灰度值极低时主要表现为高斯噪声和泊松噪声，在灰度值相对较高时主要表现为乘性噪声。而在对数域中，噪声大小总是限定在较小的范围内，因此可以近似看作加性高斯噪声。
　　其次，基于深度可分离卷积和多尺度残差的思想，设计了端到端的网络模型 MRDNet。该模型通过渐进迭代的使用密集连接块估算了多尺度的残差信息，并进行残差特征融合，增强了模型对残差估计的容错能力，以及对噪声特征的学习能力。实验表明，模型在复杂度较低的情况下，能够在NIH模拟数据集上有效抑制噪声并保持图像细节，相比于现有方法得到了一定的性能提升。此外，对于真实放射成像数据的噪声抑制结果验证了本文对噪声模型的合理假设。
　　最后，基于图像块复杂度对数据集进行划分，并利用集成策略构建了模型 ED-RDNet。由于 DR 图像中灰度和复杂度分布很不均匀：一方面图像块之间复杂度差异较大，模型拟合困难；另一方面，不同复杂度的图像块数量差距较大，影响训练模型的偏好。因此，本文基于分治策略，将图像块依据其复杂度进行聚类，使用每个子类别的归一化结果分别训练子网络模型RDNet1…K，子模型基于残差密集连接块与深度可分离卷积构建；对子模型的噪声抑制结果进行加权，最终得到集成网络ED-RDNet。实验表明，相对于现有先进方法，ED-RDNet通过集成策略超越了单一网络的性能表现，在NIH模拟数据集上实现了较为明显的性能提升；而对于真实低剂量 DR 体模数据与低剂量 CT 投影数据的噪声抑制效果展示了集成模型较强的泛化能力，证明了其实用价值。