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

目的:针对稀疏投影的CT重建图像附带噪声和伪影的特性,使用神经网络模型对稀疏投影得到的低质量CT重建图像进行图像增强.方法:在残差编码-解码卷积神经网络基础上提出一种基于对抗训练的U-Net神经网络模型,并使用公开数据集TCGA-CESC癌症CT影像进行模型训练和测试.评价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).结果:在对180次探测的CT重建图像的测试中,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.