X射線計算機斷層成像（Computed Tomography,CT）的廣泛應用,使低劑量CT成為臨床應用研究的主要方向。但是,減少CT中的輻射劑量會顯著增加圖像中的噪聲和偽影,這會明顯降低臨床放射科醫(yī)生診斷的準確率。近些年廣泛應用的低劑量CT處理方法主要包括投影域前處理技術、迭代重建技術、圖像后處理技術和深度學習方法,其主要目標是在低劑量的掃描條件下能夠接近甚至達到常規(guī)劑量掃描條件下的CT成像質量。常規(guī)低劑量CT處理和重建技術存在容易丟失組織細節(jié)特征的問題。本論文采用深度學習方法,以卷積神經網絡為基礎,通過構建和訓練深層特征表征網絡,對低劑量噪聲偽影預測的復雜問題進行非線性建模擬合,目的提高低劑量CT成像質量,降低病人承受的掃描輻射危害,為臨床醫(yī)生的檢測診斷提供有效的輔助。本論文分為以下兩個部分:本論文中進行了對于使用自適應卷積濾波網絡替換濾波反投影重建（Filtered Back Projection,FBP）中的固定濾波核的研究。AF-DenseNet網絡使用自適應濾波網絡單元替代FBP中的固定濾波核對處理后的投影數據進行濾波,同時在頻域和空間域進行卷積處理。在濾除噪聲的同時最大限... 

【文章來源】：東南大學江蘇省 211工程院校 985工程院校 教育部直屬院校

【文章頁數】：66 頁

【學位級別】：碩士

【部分圖文】：

常規(guī)劑量CT掃描與低劑量CT掃描降低放射劑量和得到清晰的高質量圖像永遠是一對矛盾體，對于特定的掃描條件和檢查

CWH的卷積核對尺寸為WHD的輸入特征圖進行卷積，步長設定為S，經過卷積后的卷積層輸出特征圖尺寸變化為WHD，其中(2)+1CWWPWS+=，(2)+1CHHPHS+=，D=k。由于卷積層具有權值共享的特性，因此每一個通道的卷積核共享同一個權重參數，n個卷積核每一個卷積核權值參數個數為CCWH,卷積層通常會設置1個偏置項，用來進行常數性的偏置修正，因此n個卷積核共需()1CCkWH+個參數項，相比較于多層感知器等傳統(tǒng)深度學習方法的龐大參數量，卷積神經網絡節(jié)省了大量的參數存儲空間，同時也提升了計算速度。圖2-1卷積操作示意圖2.2批歸一化層批歸一化（BatchNormalization，BN）層，是Sergeyloffe在2015年提出的，提出后因其高泛用性和優(yōu)秀的性能提升，受到業(yè)界一致好評，被廣泛應用到深度網絡訓練中。BN層可以理解為對于每一個輸入卷積層的特征圖進行歸一化處理，統(tǒng)一化圖中的均值和方差，然后使用可訓練參數進行修正，使數據和特征具有相似的分布特性，同時還能夠解決不同光照、對比度等引起的輸入圖像數據的像素值偏移問題。BN算法的優(yōu)勢主要有以下幾方面：（1）學習率選擇較為靈活，網絡訓練收斂速度很快，對學習率選擇的依賴性較小；（2）具有正則化作用，提高模型的泛化能力，添加BN層后可以替代原有的Dropout和L1、L2正則化項；（3）可以消除原有特征圖的特定分布模式，有利于后續(xù)卷積層對于有效特征的提取，提高網絡特征表征能力。BN層的輸入特征圖為m個通道的集合1...mInput=x，可訓練參數為和，輸出特

第二章卷積神經網絡理論10ReLU函數：f(x)=max(0,x)（2.10）LeakyReLU函數：,0(),0xxfxxx==（2.11）圖2-2激活函數示意圖從圖2-2中可以看出，Sigmoid函數對中央區(qū)信息增益較大，對兩側區(qū)域信息增益小，容易因輸入過大或過小導致飽和，出現(xiàn)梯度彌散或梯度消失的問題，同時其也存在計算量較大、輸出值和梯度恒定為正值的缺點。Tanh函數特性與Sigmoid函數相近，擁有優(yōu)秀的中央區(qū)域信息增益，也容易出現(xiàn)飽和現(xiàn)象，輸出值可為負值，計算量較Simoid函數而言更大，容易造成較高的計算負擔。本論文主要采用ReLU為非線性激活函數，ReLU具有單側抑制、興奮邊界寬闊、稀疏激活性的特點，更貼近于生物神經元的稀疏激活性，在反向傳播時，ReLU的稀疏性使得每次反向傳播都會有一部分權重不會被更新，這使得ReLU激活函數具有更低的計算量和更高的計算速度。2.4損失函數損失函數是網絡輸出的預測值與真實值之間差異的度量，是衡量網絡性能的重要依據。網絡訓練的目的是使得網絡輸出的預測值與優(yōu)化目標真實值之間相似度越來越高，體現(xiàn)在損失函數上，就是預測值與真實值之間的損失函數越來越低。因此，如何選擇損失函數，如何讓損失函數更好代表預測值與真實值之間的差異性，是每一個深度學習任務面臨的重要任務。目前在圖像處理領域常用的損失函數主要有均方誤差損失（MeanSquareError,MSE）、平均絕對值誤差損失（MeanAbsoluteError,MAE），均方對數損失（MeanSquaredLogarithmicError,MSLE），其中均方誤差損失又稱為L2損失，平均絕對值誤差損失又稱為L1損失。MSE是衡量兩張不同圖像數據之間差異和變化程度的最常用方法之一，圖像客觀質量評估中的MSE代表著網絡輸出圖像和參考常規(guī)劑量圖像之間對應像素差的平方期望值。MSE的值越小，對應


本文編號：3407342