針對低劑量計算機斷層掃描將導致掃描圖像噪聲高的問題,本文提出了一種用于圖像降噪的多生成器的生成對抗網絡(TriGAN)模型.首先提出了三個生成器的并行結構對不同類型噪聲進行有針對性的圖像降噪;其次引入殘差網絡,避免梯度消失等問題,保證訓練階段的穩(wěn)定和高效;最后,利用譜歸一化方法解決生成對抗網絡在訓練過程中可能出現(xiàn)的模式坍塌和慢收斂的問題.實驗結果表明,TriGAN和其他深度學習模型DnCNN和GAN等相比較,圖像的峰值信噪比達到26.67,平均提高了4.5%;結構相似性達到0.98,平均提高了1.5%.此外,采用TriGAN模型降噪后的斷層掃描圖像亨氏單位的平均值為32.61,標準差為58.91,最接近標準劑量CT樣本圖像的斷層掃描數(shù).

【文章頁數(shù)】：6 頁

【文章目錄】：
1 引言
2 相關工作
    2.1 生成對抗網絡(GAN)
    2.2 深度殘差網絡
    2.3 圖像降噪
3 低劑量CT圖像的生成對抗網絡降噪模型
    3.1 理論分析
    3.2 對抗網絡的目標函數(shù)
    3.3 訓練的穩(wěn)定性
    3.4 Tri GAN的網絡結構
        3.4.1 三生成器生成對抗網絡模型
        3.4.2 生成器
        3.4.3 判別器
4 實驗與量化分析
    4.1 實驗數(shù)據(jù)集
    4.2 量化評估指標
    4.3 實驗結果量化分析
        4.3.1 人眼視覺評價
        4.3.2 定量分析
        4.3.3 統(tǒng)計特性分析
        4.3.4 模型收斂性
5 總結



本文編號：3825151