X射線計(jì)算機(jī)斷層成像（Computed Tomography,CT）的廣泛應(yīng)用,使低劑量CT成為臨床應(yīng)用研究的主要方向。但是,減少CT中的輻射劑量會(huì)顯著增加圖像中的噪聲和偽影,這會(huì)明顯降低臨床放射科醫(yī)生診斷的準(zhǔn)確率。近些年廣泛應(yīng)用的低劑量CT處理方法主要包括投影域前處理技術(shù)、迭代重建技術(shù)、圖像后處理技術(shù)和深度學(xué)習(xí)方法,其主要目標(biāo)是在低劑量的掃描條件下能夠接近甚至達(dá)到常規(guī)劑量掃描條件下的CT成像質(zhì)量。常規(guī)低劑量CT處理和重建技術(shù)存在容易丟失組織細(xì)節(jié)特征的問(wèn)題。本論文采用深度學(xué)習(xí)方法,以卷積神經(jīng)網(wǎng)絡(luò)為基礎(chǔ),通過(guò)構(gòu)建和訓(xùn)練深層特征表征網(wǎng)絡(luò),對(duì)低劑量噪聲偽影預(yù)測(cè)的復(fù)雜問(wèn)題進(jìn)行非線性建模擬合,目的提高低劑量CT成像質(zhì)量,降低病人承受的掃描輻射危害,為臨床醫(yī)生的檢測(cè)診斷提供有效的輔助。本論文分為以下兩個(gè)部分:本論文中進(jìn)行了對(duì)于使用自適應(yīng)卷積濾波網(wǎng)絡(luò)替換濾波反投影重建（Filtered Back Projection,FBP）中的固定濾波核的研究。AF-DenseNet網(wǎng)絡(luò)使用自適應(yīng)濾波網(wǎng)絡(luò)單元替代FBP中的固定濾波核對(duì)處理后的投影數(shù)據(jù)進(jìn)行濾波,同時(shí)在頻域和空間域進(jìn)行卷積處理。在濾除噪聲的同時(shí)最大限... 

【文章來(lái)源】：東南大學(xué)江蘇省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：66 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

常規(guī)劑量CT掃描與低劑量CT掃描降低放射劑量和得到清晰的高質(zhì)量圖像永遠(yuǎn)是一對(duì)矛盾體，對(duì)于特定的掃描條件和檢查

CWH的卷積核對(duì)尺寸為WHD的輸入特征圖進(jìn)行卷積，步長(zhǎng)設(shè)定為S，經(jīng)過(guò)卷積后的卷積層輸出特征圖尺寸變化為WHD，其中(2)+1CWWPWS+=，(2)+1CHHPHS+=，D=k。由于卷積層具有權(quán)值共享的特性，因此每一個(gè)通道的卷積核共享同一個(gè)權(quán)重參數(shù)，n個(gè)卷積核每一個(gè)卷積核權(quán)值參數(shù)個(gè)數(shù)為CCWH,卷積層通常會(huì)設(shè)置1個(gè)偏置項(xiàng)，用來(lái)進(jìn)行常數(shù)性的偏置修正，因此n個(gè)卷積核共需()1CCkWH+個(gè)參數(shù)項(xiàng)，相比較于多層感知器等傳統(tǒng)深度學(xué)習(xí)方法的龐大參數(shù)量，卷積神經(jīng)網(wǎng)絡(luò)節(jié)省了大量的參數(shù)存儲(chǔ)空間，同時(shí)也提升了計(jì)算速度。圖2-1卷積操作示意圖2.2批歸一化層批歸一化（BatchNormalization，BN）層，是Sergeyloffe在2015年提出的，提出后因其高泛用性和優(yōu)秀的性能提升，受到業(yè)界一致好評(píng)，被廣泛應(yīng)用到深度網(wǎng)絡(luò)訓(xùn)練中。BN層可以理解為對(duì)于每一個(gè)輸入卷積層的特征圖進(jìn)行歸一化處理，統(tǒng)一化圖中的均值和方差，然后使用可訓(xùn)練參數(shù)進(jìn)行修正，使數(shù)據(jù)和特征具有相似的分布特性，同時(shí)還能夠解決不同光照、對(duì)比度等引起的輸入圖像數(shù)據(jù)的像素值偏移問(wèn)題。BN算法的優(yōu)勢(shì)主要有以下幾方面：（1）學(xué)習(xí)率選擇較為靈活，網(wǎng)絡(luò)訓(xùn)練收斂速度很快，對(duì)學(xué)習(xí)率選擇的依賴性較小；（2）具有正則化作用，提高模型的泛化能力，添加BN層后可以替代原有的Dropout和L1、L2正則化項(xiàng)；（3）可以消除原有特征圖的特定分布模式，有利于后續(xù)卷積層對(duì)于有效特征的提取，提高網(wǎng)絡(luò)特征表征能力。BN層的輸入特征圖為m個(gè)通道的集合1...mInput=x，可訓(xùn)練參數(shù)為和，輸出特

第二章卷積神經(jīng)網(wǎng)絡(luò)理論10ReLU函數(shù)：f(x)=max(0,x)（2.10）LeakyReLU函數(shù)：,0(),0xxfxxx==（2.11）圖2-2激活函數(shù)示意圖從圖2-2中可以看出，Sigmoid函數(shù)對(duì)中央?yún)^(qū)信息增益較大，對(duì)兩側(cè)區(qū)域信息增益小，容易因輸入過(guò)大或過(guò)小導(dǎo)致飽和，出現(xiàn)梯度彌散或梯度消失的問(wèn)題，同時(shí)其也存在計(jì)算量較大、輸出值和梯度恒定為正值的缺點(diǎn)。Tanh函數(shù)特性與Sigmoid函數(shù)相近，擁有優(yōu)秀的中央?yún)^(qū)域信息增益，也容易出現(xiàn)飽和現(xiàn)象，輸出值可為負(fù)值，計(jì)算量較Simoid函數(shù)而言更大，容易造成較高的計(jì)算負(fù)擔(dān)。本論文主要采用ReLU為非線性激活函數(shù)，ReLU具有單側(cè)抑制、興奮邊界寬闊、稀疏激活性的特點(diǎn)，更貼近于生物神經(jīng)元的稀疏激活性，在反向傳播時(shí)，ReLU的稀疏性使得每次反向傳播都會(huì)有一部分權(quán)重不會(huì)被更新，這使得ReLU激活函數(shù)具有更低的計(jì)算量和更高的計(jì)算速度。2.4損失函數(shù)損失函數(shù)是網(wǎng)絡(luò)輸出的預(yù)測(cè)值與真實(shí)值之間差異的度量，是衡量網(wǎng)絡(luò)性能的重要依據(jù)。網(wǎng)絡(luò)訓(xùn)練的目的是使得網(wǎng)絡(luò)輸出的預(yù)測(cè)值與優(yōu)化目標(biāo)真實(shí)值之間相似度越來(lái)越高，體現(xiàn)在損失函數(shù)上，就是預(yù)測(cè)值與真實(shí)值之間的損失函數(shù)越來(lái)越低。因此，如何選擇損失函數(shù)，如何讓損失函數(shù)更好代表預(yù)測(cè)值與真實(shí)值之間的差異性，是每一個(gè)深度學(xué)習(xí)任務(wù)面臨的重要任務(wù)。目前在圖像處理領(lǐng)域常用的損失函數(shù)主要有均方誤差損失（MeanSquareError,MSE）、平均絕對(duì)值誤差損失（MeanAbsoluteError,MAE），均方對(duì)數(shù)損失（MeanSquaredLogarithmicError,MSLE），其中均方誤差損失又稱為L(zhǎng)2損失，平均絕對(duì)值誤差損失又稱為L(zhǎng)1損失。MSE是衡量?jī)蓮埐煌瑘D像數(shù)據(jù)之間差異和變化程度的最常用方法之一，圖像客觀質(zhì)量評(píng)估中的MSE代表著網(wǎng)絡(luò)輸出圖像和參考常規(guī)劑量圖像之間對(duì)應(yīng)像素差的平方期望值。MSE的值越小，對(duì)應(yīng)


本文編號(hào)：3407342