低剂量CT图像降噪的深度图像先验的目标偏移加速算法.pdf
《低剂量CT图像降噪的深度图像先验的目标偏移加速算法.pdf》由会员分享,可在线阅读,更多相关《低剂量CT图像降噪的深度图像先验的目标偏移加速算法.pdf(9页珍藏版)》请在咨信网上搜索。
1、低剂量CT图像降噪的深度图像先验的目标偏移加速算法曾 理*熊西林 陈 伟(重庆大学数学与统计学院 重庆 401331)(重庆大学工业CT无损检测教育部工程研究中心 重庆 400044)(陆军军医大学第一附属医院(重庆西南医院)放射科 重庆 400038)摘 要:低剂量CT(LDCT)图像可大幅降低X射线辐射剂量,但存在大量噪声影响医生诊断。深度图像先验(DIP)是用随机张量作为神经网络的输入图像,以单张LDCT图像为目标进行迭代的无监督深度学习算法。但DIP方法需经过上千次的网络迭代才能得到最佳降噪结果,导致该方法运行速度过慢。因此,该文提出一种用于LDCT降噪的目标偏移DIP加速算法,旨在保
2、持降噪图像质量的基础上提高运行速度。根据一个器官(如肺部)LDCT切片序列图像的相似性,该算法将以各切片分别作为目标图像对应的相互独立的网络迭代通过继承参数关联起来,在上一切片对应的网络参数的基础上更新当前切片对应的网络参数,并将当前切片对应的网络参数作为下一切片对应的网络迭代的基础;由于DIP网络的输入是固定的随机张量,与目标图像差距较大,该文利用传统降噪模型预处理后的LDCT图像作为网络输入,进一步提高网络迭代速度。实验表明,不使用传统模型预处理时,与原DIP网络运行速度相比,该文所提出的加速算法可以将迭代速度提高10.45%;当使用经过相对全变分(RTV)模型预处理的LDCT作为网络输入
3、时,图像峰值信噪比不仅可以达到29.13,而且总迭代速度可以提高94.31%。综上所述,该文算法可在保持DIP降噪效果的基础上,大幅度提高运行速度,特别是RTV模型预处理后的CT图像作为网络输入时,对提高运行速度的效果更加明显。关键词:图像降噪;低剂量CT;深度学习;深度图像先验;加速算法中图分类号:TP391.41文献标识码:A文章编号:1009-5896(2023)06-2188-09DOI:10.11999/JEIT220551Deep Image Prior Acceleration Method for Target Offsetin Low-dose CT Images Denoi
4、singZENG Li XIONG Xilin CHEN Wei(College of Mathematics and Statistics,Chongqing University,Chongqing 401331,China)(Engineering Research Center of Industrial Computed Tomography Nondestructive Testing of the EducationMinistry of China,Chongqing University,Chongqing 400044,China)(Department of Radiol
5、ogy,Southwest Hospital,Army Medical University,Chongqing 400038,China)Abstract:Low Dose CT(LDCT)images can significantly reduce the X-ray radiation dose,but there is a lot ofnoise that affects doctors diagnosis.Deep Image Prior(DIP)is an unsupervised deep learning algorithm thatuses random tensor as
6、 the input of neural network and iterates with a single LDCT image as the target.However,DIP needs thousands of iterations to get the best denoised results,resulting in the slow running speedof this method.Therefore,a DIP acceleration method for target offset in low-dose CT images is proposed,which
7、aims to improve the running speed while maintaining the quality of denoised image.According to thesimilarity of LDCT slice images of an organ(such as lungs),the algorithm associates independent networkswhose target images are different slices by inheriting parameters,updates the network parametersco
8、rresponding to the current slice based on the network parameters corresponding to the previous slice,and 收稿日期:2022-05-05;改回日期:2022-10-14;网络出版:2022-10-21*通信作者:曾理基金项目:国家自然科学基金(61771003),重庆市研究生科研创新项目(CYS19026)Foundation Items:The National Natural Science Foundation of China(61771003),Graduate Scientifi
9、c Research and Innovation Founda-tion of Chongqing(CYS19026)第45卷第6期电 子 与 信 息 学 报Vol.45No.62023年6月Journal of Electronics&Information TechnologyJun.2023takes the network parameters corresponding to the current slice as the basis of next network corresponding tonext slice to update parameters;Since the
10、 input of DIP network is a fixed random tensor,which is differentfrom the target image greatly,this paper uses the LDCT image preprocessed by the traditional models as thenetwork input to further improve the network iteration speed.Experiments show that the proposed accelerationalgorithm can improve
11、 the iteration speed by 10.45%compared with the original DIP network withouttraditional model preprocessing.When LDCT preprocessed by Relative Total Variation(RTV)model is used asthe network input,the image peak signal-to-noise ratio can not only reach 29.13,but also the total iterativespeed can be
12、increased by 94.31%.Therefore,this algorithm can greatly improve the running speed whilemaintaining the denoised quality of DIP,especially when the CT image preprocessed by RTV model is used asthe network input,the effect of improving the running speed is more obvious.Key words:Image denoising;Low D
13、ose CT(LDCT);Deep learning;Deep image prior;Acceleration method 1 引言计算机断层切片成像(Computed Tomography,CT)的原理是用X射线对人或者物体进行透射扫描并旋转一周,由探测器接收X射线,将经过信号转换后得到数字投影数据,用CT图像重建算法重建出CT图像。X射线的剂量与成像质量息息相关,剂量增加可能会对人体产生危害,剂量降低可能会影响医生的诊断。具体来说,噪声增加是导致CT图像质量降低的主要因素之一,而低剂量CT图像带有大量的噪声。强大的噪声可能会掩盖潜在的低对比度病变,这将导致诊断疾病或指导手术变得困难。因
14、此,通常需要一个去噪器来有效地抑制噪声,同时尽可能地保持图像分辨率,从而提高图像质量。因此如何在降低CT图像中X射线剂量的基础上,兼顾去伪影、去噪和增强医生对CT图像的可阅读性,是当下面临的严峻挑战1。由于在医学图像中很难找到对应的干净(无噪声)CT图,因此本文将低剂量CT(Low-Dose CT,LDCT)图像去噪后的结果与正常剂量CT(Normal-Dose CT,ND-CT)图像作对比,进而分析降噪效果的优劣。传统的图像降噪模型中,应用最广泛的全变分(Total-Variation,TV)模型是由Rudin等人2提出的降噪模型。随着迭代次数的增加,图像平坦区域会出现灰度相同,即块状图像,
15、这一现象就是“阶梯效应”。TV模型的缺陷在于其不符合图像处理的形态学原则3,直接表现为其稳态解会出现阶梯效应。为改善TV模型,Xu等人4提出了相对全变分(Relative Total Variation,RTV)模型来捕捉图像的结构特征。该方法使噪声和结构表现出不同的性质,使它们更容易分开处理,可以更有效地处理噪声,保护结构边缘。传统模型可以一定程度上去除噪声并保持结构信息,但是随着迭代次数的增加,仍会出现细节丢失与边缘模糊等现象,所以基于深度学习的图像降噪算法的出现就显得尤为重要。随着以人工智能特别是深度学习为主导的计算新时代的出现,医学图像重建和处理领域发生了革命性的变化,新一代人工智能图
16、像增强工具在医学图像上广泛应用。目前出现了很多关于图像去噪的监督学习算法,如Zhang等人5提出了一种将批量归一化方法集成到残差学习框架DnCNN等。但有监督的深度学习方法需要大量精确配对的正常剂量CT图像和低剂量CT图像进行训练,从而给实际应用带来困难。Moran等人6提出了一种无需真实图像(ground truth,即无噪声对应图像)的训练神经网络的方法Nr2N(Noisier2Noise),通过估计出图像噪声来得到重建图像,但低剂量CT图像的噪声类型主要是泊松噪声。Yie等人7探讨了基于测量的PET(正电子成像)数据集进行PET图像去噪的自监督方法的可行性,只使用单个噪声数据集训练的Nr
17、2N网络在保持纹理的同时能够有效降低噪声,但不太适用于低剂量CT图像。深度图像先验(Deep Image Prior,DIP)8即使只在单张损坏图像上进行反复迭代,也同样能学习到图像的结构信息,进而完成图像修复。由于DIP是从头开始训练的,对输入图像之外的图像统计数据的访问权限有限,这限制了在图像着色等任务中的适用性9,且DIP网络的迭代速度过慢并缺少停止准则。Dittmer等人10将DIP方法视作了吉洪诺夫泛函的优化而非网络优化,从贝叶斯观点说明了其选择的损失函数与最大后验概率扩展到合适解的合理性。Cheng等人11从贝叶斯的观点出发,提出了一种避免过度拟合的方法来减轻DIP对停止准则的需要
18、。更多改进方法如Cui等人12、Hashimoto等人13与Mataev等人14在DIP的基础上优化网络和改变输入来提高PET上的降噪效果。但是DIP网络最大的问题在于需要人为设定停止条件,此外,对计算机内存的要求较高;尽管该方法显示出适应各种PET图像降噪方法的潜力,但该网络结构并未充分利用解剖引导图像的语义特征或图像细节15。本文在低剂量CT图像降噪领域,提出了一种第6期曾 理等:低剂量CT图像降噪的深度图像先验的目标偏移加速算法2189基于目标偏移DIP加速方法,通过使用一系列相似的LDCT图像作为网络逼近的目标图像并继承网络参数,并用传统模型对LDCT图像进行预处理,在加快DIP迭代速
19、度的基础上,可以尽可能多地保留细节和去除噪声,后续的实验结果验证了其有效性。2 DIP网络深度图像先验8认为人为设计的网络结构本身就能够抓取大量低层级的图像统计先验信息,从而实现类似HOG(Histogram of Oriented Gradients)这样人为设计的特征提取。DIP证明了网络结构本身就是一种很好的先验,这种网络结构的先验不需要经过大量的数据训练,就可以捕获很多低水平的图像统计知识,网络对图片特征的学习会对“坏”特征(如噪声)具备高阻抗特性,即网络会优先学习更加“自然”的特征(如结构)。在迭代次数到达某个阈值前,每次生成的图像都在向着原始无噪声图片“靠近”,之后会用更多的时间和
20、代价来拟合噪声图像中的噪声。x=argminxE(x;x0)+R(x)(1)xx0E(x;x0)R(x)E(x;x0)E(x;x0)=x x02E(x;x0)+R(x)xxR(x)其中,是神经网络输出的图像,是含噪图像(作为DIP的目标图像),是一个由任务决定的数据项(保真项),是一个正则化项,当任务需求发生改变时,也发生改变,这里主要用于去噪,所以。式(1)需要找出使得最小的,作为最后网络的输出。将卷积网络视作有一系列参数的函数映射,通过不断优化参数来使得固定的随机输入可以映射到逼近原无噪声图像。将由神经网络捕获的隐式先验替换,故而式(1)可写作=argminE(f(z);x0)(2)x=f
21、(z)(3)DIP是基于U-Net的无监督神经网络,使用了Leaky-ReLU作为激活函数,下采样是基于卷积调整stride来实现的。当迭代次数趋于无穷时,网络输出图像将逼近目标图像(即含噪图像),但在迭代的过程中,网络输出图像将先逼近对应的无噪图像,这已经得到实验证实。DIP只需要一幅含噪图像即可通过优化参数得到网络输出,该网络输出会根据迭代次数和损失函数来逼近原无噪图像。U-Net网络的输入是与网络深度一致,固定的随机张量。采用的是Adam优化算法,在训练过程中限制迭代次数,对每次的输出不断地迭代,通过观测图像降噪优劣来停止迭代。所采用的损失函数为=argminx0 f(|z),x=f(|
22、z)(4)x0z其中,表示网络最后的参数,为低信噪比CT图像及 表示随机的固定张量。3 基于目标偏移的DIP加速算法由于DIP网络的输入是固定的随机张量,和LDCT差别太大,需要经过数千次迭代才能获得较好的降噪图像,耗时过多。利用CT图像集的特殊性:一个器官(如肺部)CT图像集是具有相近噪声水平的相似图像切片序列组成的集合,根据作为目标图像的低剂量CT系列切片图像的相似性,本文提出基于目标偏移的DIP加速算法,该算法将各切片对应的相互独立的网络迭代通过继承参数关联起来,从而大幅减少迭代次数。最后,将传统模型降噪预处理和基于目标偏移的DIP加速算法结合起来,进一步减少运行时间。3.1 网络输入为
23、随机张量的目标偏移的DIP加速算法由于DIP网络是基于U-Net的神经网络,其深度较深、运行速度较慢,本文提出的基于目标偏移的DIP加速算法,其基本流程如下:(1)第1张切片对应的DIP网络:将固定的随机张量(只与网络深度有关,与目标图像无关)输入该DIP网络,其目标图像为低剂量CT切片图像1,在合适的迭代次数下输出降噪结果图像1并得到相应的网络参数DIP_1;(2)第2张切片对应的DIP网络:将固定的随机张量输入该DIP网络,其目标图像为低剂量CT图像2,在网络参数DIP_1的基础上迭代,在合适的迭代次数下输出降噪结果图像2并得到相应的网络参数DIP_2;(3)依此类推,每一张切片对应的网络
24、使用的目标图像都是同一噪声水平的不同但相似的CT图像(所以称为目标偏移),并将这张切片得到的网络参数用到下一张切片对应的网络迭代过程中(称为参数继承,这是网络迭代加速的关键)。算法流程如图1所示(以3张切片为例,可推广到更多切片类似处理,下同):需要说明的是,目标偏移的DIP加速算法,和一般网络的迁移学习有相似但有所不同。迁移学习是一种机器学习方法,就是把任务A训练的网络(如用自然图像降噪训练网络)作为初始点,重新使用在为任务B训练的网络中(如医学图像降噪中),从而减少任务B的网络训练时间和训练样本数量。迁移学习中任务A和任务B的输入图像可能有较大差异,但目标函数往往相同。而目标偏移的DIP加
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 剂量 CT 图像 深度 先验 目标 偏移 加速 算法
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。