基于NSST域卷积神经网络的低剂量CT图像恢复

来源：计算机工程与应用杂志2019年第23期北京时间：

作者：刘祎，高净植，桂志国

单位：中北大学 山西省生物医学成像与影像大数据重点实验室，太原 030051

摘要：为解决低剂量CT（Low-Dose Computed Tomography，LDCT）图像中的噪声/伪影问题，提出一种基于非下采样Shearlet变换（Non-Sample Shearlet Transformation，NSST）的卷积神经网络（Convolution Neural Network，CNN）的NSST-CNN模型。训练时，对数据集中的常规剂量CT（Normal-Dose Computed Tomography，NDCT）和LDCT图像做NSST分解，将LDCT图像的高频子图作为输入，LDCT和NDCT图像的高频子图的残差图像作为标签，通过CNN训练，学习LDCT高频子图和高频残差子图的映射关系；测试时，将LDCT图像的高频子图减去利用映射关系预测的主要包括噪声/伪影的高频子图，然后做NSST反变换得到高质量的LDCT图像。实验结果表明，与KSVD、BM3D以及图像域CNN方法相比，NSST-CNN模型得到的结果具有更高的峰值信噪比和结构相似度，更接近NDCT图像。

关键词：低剂量CT,图像恢复,非下采Shearlet变换,卷积神经网络,残差学习