基于多尺度上下文信息融合的条件生成对抗神经网络用于低剂量PET图像去噪

来源：电子测量技术杂志2021年第7期北京时间：

作者：杨 昆，杜 瑀，钱武侠，薛林雁，刘琨，卢闫晔

单位：1.河北大学质量技术监督学院 保定 071002;2.计量仪器与系统国家地方联合工程研究中心 保定 071002;3.北京大学生物医学工程系 北京 100871

摘要：PET成像在信号采集过程中存在辐射暴露风险，在保证成像质量的前提下需要尽可能降低示踪剂的使用剂量。这将导致PET图像伪影及信噪比低等问题。本文提出一种基于多尺度上下文信息融合的条件生成对抗网络，用于优化PET图像重建，以提高PET图像的图像质量。通过对作为生成器的编码器-解码器网络的跳过连接进行重新设计，提出一种基于多尺度上下文信息融合的跳过连接，使解码器能够在解码过程中获取来自编码器更加丰富的语义特征。采用使生成器网络学习低剂量PET图像的噪声分布的策略，降低了网络的学习难度。在低剂量PET数据集上对所提出的网络进行评估，峰值信噪比为29.948±4.062，结构相似性系数为0.926±0.030，标准均方根误差为0.395±0.211。相比于传统去噪算法Non-Local Mean和Block-Matching 3D以及2种深度学习方法RED-CNN和以UNet为生成器的条件生成对抗网络，本文所提出的网络均取得了更加优越的性能表现。

关键词：图像去噪;低剂量PET图像;条件生成对抗网络;深度学习

基金资助：河北省自然科学基金(H2019201378) 资助项目、基于深度学习的低剂量PET图像增强算法研究(XZJJ201917)