基于CNN的小波域低劑量CT圖像去噪算法研究

張曉榮 李菲

摘要：射線計(jì)算機(jī)斷層掃描（CT） 在醫(yī)學(xué)顯像方面性能優(yōu)異，但是CT成像也會(huì)產(chǎn)生輻射等問(wèn)題，而且CT成像質(zhì)量與輻射劑量呈正相關(guān)的關(guān)系，因此提高低劑量CT（LDCT） 圖像的質(zhì)量是醫(yī)學(xué)和工學(xué)學(xué)科共同關(guān)注的課題。通過(guò)兩階段的殘差卷積神經(jīng)網(wǎng)絡(luò)（TS-RCNN） 來(lái)降低噪聲和增強(qiáng)細(xì)節(jié)，可以有效提高LDCT圖像質(zhì)量，與其他方法相比，此方法在均方誤差（MSE） 、結(jié)構(gòu)相似度（SSIM） 、峰值信噪比（PSNR） 方面都取得了良好的結(jié)果，在紋理特征和結(jié)構(gòu)特征的實(shí)驗(yàn)比較中同樣展現(xiàn)了良好的性能。

關(guān)鍵詞：低劑量CT;圖像去噪;平穩(wěn)小波變換;殘差神經(jīng)網(wǎng)絡(luò)

中圖分類號(hào)：TP305? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2022）25-0082-04

開(kāi)放科學(xué)（資源服務(wù)） 標(biāo)識(shí)碼（OSID） ：

1 概述

X射線計(jì)算機(jī)斷層掃描（CT） 是現(xiàn)代醫(yī)學(xué)影像中重要的成像方式之一[1]，CT由于其能夠高質(zhì)量呈現(xiàn)人體器官結(jié)構(gòu)信息的特性，在現(xiàn)代臨床醫(yī)學(xué)的病情診斷中被廣泛使用。然而，X射線在穿過(guò)人體時(shí)，會(huì)引發(fā)人體內(nèi)的分子與化學(xué)物質(zhì)發(fā)生反應(yīng)，對(duì)人體帶來(lái)危害。隨著X射線劑量的減小，CT圖像中的噪聲就會(huì)增加，伴隨噪聲也會(huì)出現(xiàn)更多的偽影。噪聲和偽影會(huì)降低CT圖像的質(zhì)量，導(dǎo)致圖像中的細(xì)節(jié)信息模糊或者丟失，并進(jìn)一步影響醫(yī)生對(duì)于病變區(qū)域的診斷。因此，國(guó)內(nèi)外的學(xué)者與研究人員已廣泛探索并嘗試了在保持CT圖像質(zhì)量的同時(shí)，最小化X射線劑量的方法。

2? 國(guó)內(nèi)外研究現(xiàn)狀分析

早在2008年，Viren Jain等人[2]就使用卷積神經(jīng)網(wǎng)絡(luò)在圖像去噪領(lǐng)域做出了嘗試，他們將其提出的方法與傳統(tǒng)的圖像去噪方法作對(duì)比，并取得了更優(yōu)秀的去噪效果。2012年，出現(xiàn)了兩項(xiàng)利用深度學(xué)習(xí)技術(shù)進(jìn)行圖像去噪任務(wù)的優(yōu)秀工作[3-4]。其中，Xie等人利用堆棧自編碼器（Stack Autoencoder） 進(jìn)行圖像去噪的任務(wù)，在取得良好圖像質(zhì)量的同時(shí)，為后來(lái)的學(xué)者在圖像去噪鄰域提供了新的可能。而Burger等人則提出了多層感知機(jī)模型（Multi Layer Perceptron，MLP） ，在圖像去噪領(lǐng)域達(dá)到了與領(lǐng)域標(biāo)桿方法BM3D不相上下的圖像去噪效果。

Yang等人[6]提出了一種基于2D和3D殘差卷積網(wǎng)絡(luò)的圖像去噪方法，在降低圖像噪聲和抑制CT偽影的同時(shí)，保留了人體組織的細(xì)節(jié)。Yin等人[7]提出了一種包含正弦圖域網(wǎng)絡(luò)、濾波反投影和圖像域網(wǎng)絡(luò)的三階段3D殘差卷積網(wǎng)絡(luò)，并在模擬和實(shí)際投影數(shù)據(jù)上進(jìn)行了實(shí)驗(yàn)驗(yàn)證，在去噪效果上得到了一定提高，這些基于卷積神經(jīng)網(wǎng)絡(luò)的方法，都在LDCT圖像降噪的任務(wù)中表現(xiàn)出相較傳統(tǒng)處理有更好的性能和更小的計(jì)算成本。

3? 低劑量CT圖像質(zhì)量改善模型

3.1 基于紋理去噪的殘差神經(jīng)網(wǎng)絡(luò)模型（第一階段）

基于紋理去噪的殘差神經(jīng)網(wǎng)絡(luò)（簡(jiǎn)稱“紋理去噪RCNN”） 的目標(biāo)是對(duì)LDCT圖像進(jìn)行初步地去噪，其外在表現(xiàn)就是對(duì)LDCT圖像的紋理信息進(jìn)行降噪，為后續(xù)的結(jié)構(gòu)增強(qiáng)RCNN提供良好的基礎(chǔ)。

受wgan-vgg的啟發(fā)，本階段網(wǎng)絡(luò)將局部感知損失項(xiàng)與整體誤差損失項(xiàng)相結(jié)合，分別應(yīng)用于圖像噪聲的抑制和紋理的保留。紋理去噪RCNN的訓(xùn)練過(guò)程如圖1所示：

3.2 基于結(jié)構(gòu)增強(qiáng)的殘差神經(jīng)網(wǎng)絡(luò)模型（第二階段）

基于結(jié)構(gòu)增強(qiáng)的殘差神經(jīng)網(wǎng)絡(luò)（下稱“結(jié)構(gòu)增強(qiáng)RCNN”） 的優(yōu)化目標(biāo)是對(duì)已經(jīng)完成初步去噪的LDCT圖像進(jìn)行圖像質(zhì)量的進(jìn)一步提升，使得CT圖像的結(jié)構(gòu)信息不因?yàn)榧?xì)微的噪聲而模糊。

本階段神經(jīng)網(wǎng)絡(luò)的輸入為[SWTy-ftSWTx]，其中[y]為NDCT平均模型輸出的圖像，[ftSWTx]為紋理去噪RCNN的輸出結(jié)果;標(biāo)簽為[SWTy-ftSWTx] ，即NDCT圖像與紋理去噪RCNN的輸出進(jìn)行作差所得的圖像，被用作神經(jīng)網(wǎng)絡(luò)的標(biāo)簽。該階段神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過(guò)程如圖2所示：

4? 實(shí)驗(yàn)結(jié)果與分析

4.1 數(shù)據(jù)集

本文使用了兩種數(shù)據(jù)集：模擬數(shù)據(jù)集和公開(kāi)數(shù)據(jù)集來(lái)驗(yàn)證TS- RCNN的有效性。模擬數(shù)據(jù)集的實(shí)驗(yàn)著重于提高和改善TS-RCNN去噪性能，其中模擬了不同的噪聲強(qiáng)度用于評(píng)估TS-RCNN的魯棒性。同時(shí)，通過(guò)在公開(kāi)數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)，以證明TS-RCNN具有實(shí)際的應(yīng)用價(jià)值。

4.1.1 模擬數(shù)據(jù)集的生成

本文使用來(lái)自3Dircadb的1375張NDCT圖像（共10位患者） 作為模擬數(shù)據(jù)集的標(biāo)簽。為了模擬噪聲圖像在視覺(jué)上更貼近于真實(shí)的LDCT圖像。具體的模擬步驟如下：首先，NDCT圖像進(jìn)行radon變換以獲得相應(yīng)的正弦圖;接下來(lái)，將泊松噪聲和高斯噪聲依次添加到正弦圖中;最后，對(duì)噪聲正弦圖進(jìn)行逆radon變換，得到模擬化的LDCT圖像，計(jì)算公式如下：

[LDCTsimulated=iradonInI0I0×exp-radony+Pλ+Gμ，σ2]

（1）

其中，[I0]是從光源發(fā)射的光子數(shù)，y是衰減系數(shù)。radon（）代表radon變換;對(duì)應(yīng)的，iradon（）即代表逆radon變換。[Gμ，σ2]代表以[μ]為均值，方差為[σ2]的高斯分布。[σ]越大，代表圖像中的噪聲點(diǎn)越多。[Pλ]代表泊松分布。在實(shí)驗(yàn)中，通過(guò)調(diào)整高斯函數(shù)的方差系數(shù)[σ]的大小來(lái)控制噪聲的強(qiáng)弱。

4.1.2 公開(kāi)數(shù)據(jù)集

由于無(wú)法量化臨床低劑量CT數(shù)據(jù)的去噪結(jié)果，因此使用公開(kāi)的低劑量CT數(shù)據(jù)集來(lái)驗(yàn)證TS- RCNN的性能。該數(shù)據(jù)集由梅奧診所批準(zhǔn)的用于“2016 NIH- AAPM- Mayo Clinic Low Dose CT Grand Challenge”。本文使用由3毫米厚的medicm核重建的2378幅圖像（10例患者） 。本文將1944幅圖像（8名患者） 用作訓(xùn)練集，210張圖像（1名患者） 用作驗(yàn)證集，224張圖像（1名患者） 用作測(cè)試集。

4.2 圖像評(píng)價(jià)指標(biāo)

4.2.1 圖像質(zhì)量客觀評(píng)價(jià)指標(biāo)

本文使用了以下三種指標(biāo)來(lái)評(píng)價(jià)去噪后CT圖像的整體質(zhì)量：均方誤差（MSE） 、結(jié)構(gòu)相似度（SSIM） 和峰值信噪比（PSNR） 。這三種指標(biāo)的計(jì)算方式如下所示：

[MSE=1m?ni=0m-1j=0n-1yi，j-xi，j2]? ? （2）

[SSIM=2μy?μy+C1?2σyx+C2μ2y?μ2x+C1?σ2y+σ2x+C2]? ?（3）

[PSNR=10?log10MAX2yMSE]? ?（4）

其中，y和x分別代表NDCT圖像和去噪后圖像。m和n代表圖像的寬度和高度，本文中設(shè)為512;[μ]是圖像的像素值的平均值，[σ2]是圖像的方差值，[σyx]是被比較的兩張圖像的協(xié)方差;[MAXy]是NDCT圖像的像素值的最大值。

4.3 低劑量CT圖像去噪實(shí)驗(yàn)

在本小節(jié)中，使用模擬數(shù)據(jù)集進(jìn)行降噪模型的選定，然后將選定模型與BM3D、DnCNN、RED-CNN在公開(kāi)數(shù)據(jù)集下進(jìn)行對(duì)比，通過(guò)多角度對(duì)比體現(xiàn)TS- RCNN的性能。

4.3.1 實(shí)驗(yàn)結(jié)果對(duì)比與分析

在本小節(jié)中，將使用PSNR、SSIM和MSE作為去噪后CT圖像質(zhì)量的客觀評(píng)估指標(biāo)，所有方法的圖像去噪效果指標(biāo)都是基于整個(gè)測(cè)試數(shù)據(jù)集進(jìn)行計(jì)算，并取平均數(shù)值進(jìn)行展示，具體結(jié)果如表1所示。

其中，TS-RCNN在PSNR和SSIM的表現(xiàn)最佳，而在MSE中比RED-CNN稍差，位列所有對(duì)比方法的第二名。從結(jié)果的比較中，可以看出TS- RCNN有著相對(duì)好的數(shù)值結(jié)果。

為了進(jìn)一步展現(xiàn)TS-RCNN的去噪性能優(yōu)勢(shì)，本文引入“一致性因子”C來(lái)描述去噪后圖像和NDCT圖像之間的灰度值差異。C的計(jì)算方法如式（5） 所示：

[C=1-Di，j256，i，j=1，2，…，512]? ? ? ? ? （5）

其中，[Di，j]代表絕對(duì)值差分圖像中，第i行第j個(gè)像素點(diǎn)處的灰度值，其范圍為[1，256]。根據(jù)兩種不同的差分程度，本文給出了絕對(duì)值差分圖像，即將NDCT與去噪后CT圖像相減，取絕對(duì)值再進(jìn)行展示。其中，共給出了三類圖像，分別是去噪后圖像、C=1的絕對(duì)值差分圖像、C>0.99的絕對(duì)值差分圖像，如圖3所示。

其中，第一列是去噪后圖像，第二列是滿足條件C=1的絕對(duì)值差分圖像，第三列是第二列圖像中紅色框區(qū)域（左上方） 的放大視圖。第四列是滿足條件C>0.99的絕對(duì)值差分圖像，第五列是第四列圖像中紅色框區(qū)域（右下方） 的放大視圖。條件C=1，即代表在該像素點(diǎn)處。

在條件C=1的情況之下，可以明顯看出TS-RCNN的表現(xiàn)最為突出。具體地，在第三列的局部放大圖中，如箭頭所示的區(qū)域，TS-RCNN擁有最清晰且范圍最大的白色像素區(qū)域，即肋骨邊緣，也就是與NDCT圖像完全一致。其他的比較方法中，BM3D的肋骨寬度最小，RED-CNN在肋骨處存在黑色像素點(diǎn)，DnCNN則出現(xiàn)了肋骨模糊不清的情況。

而在第四列圖像（C>0.99）中，TS-RCNN依舊取得了最佳的效果。具體地，從第五列的局部放大圖中可以看出，TS-RCNN中的白色像素更多，并且如第五列的紅色箭頭所指向的肋骨區(qū)域可以明顯看出，TS-RCNN在肋骨的邊緣仍然是最清晰且范圍最大的，但是相對(duì)來(lái)說(shuō)，DnCNN的差分圖在圖示放大區(qū)域的效果有了一定的提升，但肋骨與其左上方的區(qū)域依舊存在黑色的邊緣，而TS-RCNN幾乎不存在這一邊緣。RED-CNN在這一條件下的表現(xiàn)則不盡如人意，肋骨的邊緣不清晰，而BM3D的效果依舊不理想，由BM3D是針對(duì)自然圖像去噪研發(fā)的方法，其在像素值差異較小的醫(yī)學(xué)圖像上未取得良好的效果是可以預(yù)見(jiàn)的。需要另外說(shuō)明的是，LDCT的絕對(duì)值差分圖的邊緣也很清晰，但可以很清晰地看到，在第二列和第四列圖像中，LDCT在人體器官的部分幾乎沒(méi)有白色的像素點(diǎn)，從第三列和第五列的放大圖像也可以證實(shí)這一說(shuō)法，這就意味著LDCT圖像中的噪聲十分明顯。

5 結(jié)束語(yǔ)

CT掃描在現(xiàn)代醫(yī)療體系中有著舉足輕重的地位，但在正常劑量的CT掃描中，所使用的X射線會(huì)給人體的健康帶來(lái)威脅，本文通過(guò)閱讀相關(guān)文獻(xiàn)，研究了部分經(jīng)典的低劑量CT圖像降噪方法，提出了用于低劑量CT圖像去噪的兩階段神經(jīng)網(wǎng)絡(luò)模型（TS-RCNN） ，模型通過(guò)紋理去噪和結(jié)構(gòu)增強(qiáng)兩階段對(duì)LDCT圖像的質(zhì)量進(jìn)行改善。TS-RCNN在低劑量CT圖像去噪任務(wù)上，通過(guò)與主流的模型BM3D、DnCNN、RED-CNN在公開(kāi)數(shù)據(jù)集下進(jìn)行對(duì)比，也取得了良好的效果。但是，由于局部感知損失，TS-RCNN還存在著更進(jìn)一步的空間，未來(lái)可以在平均模型存在抑制部分紋理信息的問(wèn)題、低頻紋理信息設(shè)計(jì)獨(dú)立的處理方法這兩方面進(jìn)行改進(jìn)，以取得更好的效果。

參考文獻(xiàn)：

[1] 吳俊峰，牟軒沁.L1范數(shù)字典約束的感興趣區(qū)域CT圖像重建算法[J].西安交通大學(xué)學(xué)報(bào)，2019，53（2）：163-169.

[2] Jain V ， Seung H S . Natural Image Denoising with Convolutional Networks[C]// Advances in Neural Information Processing Systems 21， Proceedings of the Twenty-Second Annual Conference on Neural Information Processing Systems， Vancouver， British Columbia， Canada， December 8-11， 2008. Curran Associates Inc.， 2008.

[3] Xie J ， Xu L ， Chen E . Image denoising and inpainting with deep neural networks[C]// International Conference on Neural Information Processing Systems. Curran Associates Inc. 2012.

[4] Burger H C ， Schuler C J ， Harmeling S . Image denoising： Can plain neural networks compete with BM3D？[C]// Computer Vision and Pattern Recognition （CVPR）， 2012 IEEE Conference on. IEEE， 2012.

[5] Krizhevsky A，Sutskever I，Hinton G E.ImageNet classification with deep convolutional neural networks[J].Communications of the ACM，2017，60（6）：84-90.

[6] Yang W，? Zhang H， Yang J， et al， Improving low-dose CT image using residual convolutional network[J].IEEE ， 2017 （5） ：24698-24705.

[7] Yin X，Zhao Q，Liu J，et al.Domain progressive 3D residual convolution network to improve low-dose CT imaging[J].IEEE Trans Med Imaging，2019，38（12）：2903-2913.

[8] Wolterink J M，Leiner T，Viergever M A，et al.Generative adversarial networks for noise reduction in low-dose CT[J].IEEE Transactions on Medical Imaging，2017，36（12）：2536-2545.

【通聯(lián)編輯：唐一東】