稀疏投影角度CT重建圖像主要是指在CT重建時,使用較少角度數(shù)量的投影來進行重建,這樣可以減少CT掃描時間,進而有助于減少病人所受輻射劑量,但其帶來的負面影響是重建圖像中有嚴重的條狀偽影�，F(xiàn)有基于解析重建的后處理辦法在處理此類圖像時,會出現(xiàn)邊界模糊以及條狀偽影無法精確預測的問題,并且解析重建本身缺乏對噪聲的抑制;而基于迭代重建的辦法重建時間過長的問題也很難解決。卷積神經(jīng)網(wǎng)絡因其強大的非線性建模能力,能夠有效的提取圖像不同層次的特征。近幾年卷積神經(jīng)網(wǎng)絡在圖像處理領域表現(xiàn)突出,為去除稀疏角度CT圖像的偽影研究提供了嶄新的思路。因此本課題使用卷積神經(jīng)網(wǎng)絡來研究對于稀疏角度CT解析重建圖像中的偽影噪聲的抑制和消除,其目的在于盡可能通過減少CT重建的投影角度數(shù)目來減少CT掃描劑量,減少病人所受CT掃描產(chǎn)生的輻射的同時,提高其成像質(zhì)量,為醫(yī)療診斷提供有效輔助。在總體上,本課題可以按如下兩部分劃分:本課題設計了針對條狀偽影的卷積神經(jīng)網(wǎng)絡來對稀疏角度CT圖像進行后處理,該算法設計從含噪聲偽影圖像到其中所含噪聲偽影的映射,在設計網(wǎng)絡的同時探索了多尺度U型處理結(jié)構,殘差模塊,訓練數(shù)據(jù)分塊大小,網(wǎng)絡的深度對于... 

【文章來源】：東南大學江蘇省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：68 頁

【學位級別】：碩士

【部分圖文】：

卷積操作示意圖

第二章卷積神經(jīng)網(wǎng)絡基本概念及算法8圖2-2激活函數(shù)示意圖從圖2-2中可以看出，sigmoid函數(shù)在靠近坐標原點的一段區(qū)間內(nèi)，其梯度是最大的，靠近兩邊梯度較小，曲線較平緩，因此sigmoid函數(shù)對0左右的數(shù)值激勵較大，而絕對值較大的數(shù)值，激勵較小，甚至不變。此外在兩邊，由于梯度靠近0但又不是0，且恒大于0，可能因鏈式求導產(chǎn)生梯度彌散問題。其次sigmoid函數(shù)輸出均大于0，不符合零均值，可能會產(chǎn)生捆綁效應，使得網(wǎng)絡收斂緩慢。tanh函數(shù)對sigmoid的非0均值問題進行了改進，從圖中可以看出，tanh的輸出是符合0均值分布的。sigmoid和tanh共同的缺點是式子比較復雜，求導相對復雜，導致梯度更新減慢從而增加訓練時間。ReLU函數(shù)針對上述缺點，使用兩段分段函數(shù)，小于0時輸出恒等于0，大于0時輸出直接映射，求導簡單，計算速度快，并且在正區(qū)間沒有sigmoid的梯度彌散問題。ReLU因其種種優(yōu)點成為當下最常用的激活函數(shù)，本文也是采用ReLU作為激活函數(shù)對卷積之后的輸出進行激活。2.1.5損失函數(shù)損失函數(shù)又稱代價函數(shù)，是衡量模型輸出預測值與實際值之間差距的一種量化指標。好的損失函數(shù)可以使得模型較快收斂到預期目標，而不合適的損失函數(shù)可能導致模型收斂至錯誤的方向。圖像處理領域最常用的損失函數(shù)是均方差（MeanSquareError，MSE）損失，其表達式如下211001(,)(,)whreslabelijLossIijIijwh(2.4)其中w，h為圖像的長寬尺寸，resI表示最終輸出的結(jié)果，labelI表示對比圖像，該值即效果圖像中每個像素點與對比圖像對應像素點的差值平方之平均。其值越小說明兩幅圖像越接近。最終的損失函數(shù)中還可以添加規(guī)則化項對網(wǎng)絡中的參數(shù)進行約束，提高模型抗過擬合能力，也可以添加對于最終效果的正則化來對整體模型進行約束，?

第三章基于卷積神經(jīng)網(wǎng)絡的稀疏角度CT圖像后處理13第三章基于卷積神經(jīng)網(wǎng)絡的稀疏角度CT圖像后處理3.1引言在CT掃描時，減少投影采樣角度可以降低CT掃描輻射劑量，減少對于人體的輻射危害，但與此同時CT成像質(zhì)量也會隨著劑量降低而降低。如圖3-1所示，從左往右依次是完整角度重建圖像（1200角度，F(xiàn)DK重建），稀疏角度重建圖像（120角度，F(xiàn)DK重建），以及稀疏角度重建圖像中所包含的偽影示意圖。圖3-1稀疏角度CT圖像及偽影示意圖。（a）為完整投影角度CT重建圖像，（b）為稀疏投影角度CT重建圖像，（c）為稀疏投影角度CT圖像中包含的噪聲及偽影本章目的是對稀疏投影角度CT圖像進行后處理，以期達到在盡量減少采樣角度情況下，經(jīng)過本章提出的神經(jīng)網(wǎng)絡處理，能夠達到或接近完整角度CT圖像的成像質(zhì)量。3.2基于多尺度U-net的三維稀疏角度CT圖像后處理網(wǎng)絡結(jié)構設計稀疏角度CT圖像所含有的偽影呈條狀分布，尺度分布范圍較廣，在單一尺度上與圖像正常結(jié)構區(qū)分難度較大，因此本章中采用U-net中多尺度特征提取的結(jié)構[52]來應對。另外為提高網(wǎng)絡性能，使用resnet[54]中的殘差模塊來代替原來的直線堆疊網(wǎng)絡結(jié)構,構建更深層的卷積神經(jīng)網(wǎng)絡。整體結(jié)構上，去偽影可以采用的映射結(jié)構有兩種：一是從稀疏角度CT圖像直接學習映射到完整角度CT圖像，本章稱之為常規(guī)學習；二是從稀疏角度CT圖像來學習其中含有的偽影特征，最終映射成稀疏角度CT圖像中所含有的偽影圖像（如圖4-1，c圖所示），因為學習的是稀疏角度CT圖像和正常角度CT圖像之間的差值，故而稱之為殘差學習。經(jīng)研究表明，殘差學習要比常規(guī)學習簡單的多，偽影與噪聲的結(jié)構相比CT圖像正常結(jié)構要容易學習與識別[67]。所以本章算法采用第二種辦法，從稀疏角度CT圖像中學習其中含有的偽影及噪聲特征，然?

【參考文獻】：
期刊論文
[1]基于深度卷積神經(jīng)網(wǎng)絡的圖像去噪研究[J]. 李傳朋,秦品樂,張晉京.  計算機工程. 2017(03)
[2]低劑量CT掃描對兒童肺部病變的診斷與防護價值[J]. 方文輝,張健華,黃映宏,鄭文斌,張遠芳.  CT理論與應用研究. 2007(01)
[3]多層螺旋CT胸部低劑量掃描發(fā)現(xiàn)肺結(jié)節(jié)的臨床研究[J]. 吳曉華,馬大慶,張忠嘉,冀景玲,張巖松.  中華放射學雜志. 2004(07)
[4]三維錐形束CT解析重建算法發(fā)展綜述[J]. 曾凱,陳志強.  中國體視學與圖像分析. 2003(02)

博士論文
[1]光學遙感圖像質(zhì)量提升及評價技術研究[D]. 崔光茫.浙江大學 2016

碩士論文
[1]基于卷積神經(jīng)網(wǎng)絡的低劑量CT圖像處理方法[D]. 張慧娟.東南大學 2017



本文編號：3475876