基于对抗训练的U-Net神经网络在稀疏投影CT图像增强的应用.pdf

基于对抗训练的U-Net神经网络在稀疏投影CT图像增强的应用 本文研究了基于对抗训练的U-Net神经网络在稀疏投影CT图像增强的应用。稀疏投影CT图像增强是医疗诊断中的一大挑战，传统的CT图像降噪方法无法满足实际需求。本研究提出了基于对抗训练的U-Net神经网络模型，该模型可以减少伪影和噪点，对稀疏投影CT图像增强有一定效果。 关键词：CT图像增强；U-Net神经网络；对抗训练；稀疏投影 CT图像增强是医疗诊断中的一大挑战，低剂量的X射线投影过程容易受到噪声干扰，而稀疏投影会使探测得到的信息量减少，导致重建的CT图像带有伪影，影响进一步的医疗诊断。传统的CT图像降噪方法包括滤波函数对图像进行处理，但是这些方法无法满足实际需求。 本研究提出了基于对抗训练的U-Net神经网络模型，该模型可以减少伪影和噪点，对稀疏投影CT图像增强有一定效果。该模型基于残差编码-解码卷积神经网络，并使用公开数据集TCGA-CESC 癌症CT影像进行模型训练和测试。模型处理效果的指标包括峰值信噪比（PSNR）、结构相似性（SSIM）和均方根误差（RMSE）。 实验结果表明，模型处理后的图像相比未处理图像，PSNR、SSIM和RMSE指标平均值分别提升15.10%、37.89%和38.20%。在PSNR和SSIM指标平均值意义下，模型处理后的图像优于1800次探测的未处理CT重建图像。 结论：本研究提出的基于对抗训练的U-Net神经网络模型能够减少伪影和噪点，对稀疏投影CT图像增强有一定效果。该模型可以应用于医疗诊断中，提高CT图像的质量和诊断准确性。 技术要点： 1. 基于对抗训练的U-Net神经网络模型可以减少伪影和噪点，对稀疏投影CT图像增强有一定效果。 2. 该模型基于残差编码-解码卷积神经网络，并使用公开数据集TCGA-CESC 癌症CT影像进行模型训练和测试。 3. 模型处理效果的指标包括峰值信噪比（PSNR）、结构相似性（SSIM）和均方根误差（RMSE）。 4. 实验结果表明，模型处理后的图像相比未处理图像，PSNR、SSIM和RMSE指标平均值分别提升15.10%、37.89%和38.20%。 应用前景： 1. 医疗诊断：基于对抗训练的U-Net神经网络模型可以应用于医疗诊断中，提高CT图像的质量和诊断准确性。 2. 医疗图像处理：该模型可以应用于医疗图像处理领域，提高图像质量和处理速度。 3. 图像增强：基于对抗训练的U-Net神经网络模型可以应用于图像增强领域，提高图像质量和处理效果。