基于改进生成式对抗网络的稀疏角度CT去伪影方法学研究

目的:探索一种适合稀疏角度CT扫描的深度学习重建方法,有效降低辐射剂量,减少辐射剂量对人体产生的潜在致癌风险.方法:针对稀疏角度CT扫描重建过程图像信息缺失及伪影增加的问题,采用带梯度惩罚项的Wasserstein生成式对抗网络(WGAN-gp),并在生成器中使用医学图像分割领域常用的分割网络——包含密集卷积模块的U型网络(DUnet),提出DUnet-WGAN-gp网络.为保留生成图像的细节信息,在该网络中加入均方差损失函数和感知损失函数.分别将DUnet-WGAN-gp网络与Unet网络和DUnet网络用于稀疏角度CT的伪影去除,并比较其重建结果.结果:Unet网络、DUnet网络和DUnet-WGAN-gp网络均能有效去除稀疏角度CT采样产生的条形伪影,DUnet-WGAN-gp网络能够有效改善Unet网络和DUne网络产生的血管及胸骨边界模糊的问题.结构相似性(SSIM)方面,DUnet-WGAN-gp网络与Unet网络和DUnet网络比较分别提高19.69%和18.36%;峰值信噪比(PSNR)方面,分别提高24.78%和18.41%.结论:DUnet-WGAN-gp网络可以清晰地重建出稀疏角度CT图像,有助于开展低剂量CT的临床诊断.