基于浅层-中层-深层特征感知的低剂量计算机断层扫描去噪方法

《Digital Signal Processing》：Shallow-middle-deep Feature Aware Denoiser for Low-dose Computed Tomography

本文提出了一种创新的浅层-中层-深层特征感知去噪器（SMD-Denoiser），通过局部-全局特征提取器（LGFE）、重复通道空间增强注意力（RCSRA）和跨阶段特征融合模块（SMDF），有效解决了低剂量CT（LDCT）图像去噪中特征提取不充分、注意力机制单一和融合策略低效等关键问题。在Mayo临床数据集上取得了峰值信噪比（PSNR）35.7095和结构相似性指数（SSIM）0.9344的最佳性能，显著提升了图像细节和语义信息的恢复质量。

　　

亮点

我们的工作贡献可总结如下：

1. 1.
   在浅层特征提取阶段，与单分支特征提取方法不同，我们提出了局部-全局特征提取器（LGFE）。该模块利用多分支特征提取结构同时捕获边缘特征和全局特征，从而增强了输入浅层特征的丰富性。
2. 2.
   为了最大限度地减少冗余信息并同时提高关键特征的提取能力，我们提出了重复通道空间增强注意力（RCSRA）模块。与在深度网络中层阶段采用单一注意力机制的传统方法不同，RCSRA利用重复的通道-空间增强注意力结构，在中层阶段有效提取相关特征并分配权重。
3. 3.
   为了避免在浅层和中间阶段提取的细节和结构信息减弱，我们提出了浅层-中层-深层特征融合模块（SMDF），通过有效融合跨浅层、中层和深层阶段的细节、结构和语义信息。该模块不仅减少了冗余信息对高级语义信息表达的约束，还为模型在浅层、中层和深层阶段获得的细节和结构信息提供了特征补偿。

卷积神经网络（CNN）

CNN已成为LDCT去噪的关键工具，主要分为三类：基于编码器-解码器的网络、密集连接的残差网络和生成对抗网络（GAN）。

在基于编码器-解码器的网络方面，Chen等人提出了残差编码器-解码器卷积神经网络（RED-CNN），它加速了模型收敛并增强了学习能力。然而，它限制了模型将残差特征转化为更深层特征的能力。

SMD-Denoiser概述

提出的SMD-Denoiser框架如图2所示。SMD-Denoiser包含三个主要模块：LGFE、RCSRA和SMDF。LGFE专门设计用于在模型早期阶段从LDCT中提取更全面的浅层特征。RCSRA优化了传统的单一注意力结构，以最大限度地减少冗余并动态关注关键特征。SMDF集成了详细的图像数据、结构信息和语义上下文，显著提升了性能。

CT数据集和实施细节

实验数据集来自2016年NIH-AAPM-Mayo模拟LDCT大奖赛、真实仔猪数据以及南部战区总医院自建的临床数据集。

模拟低剂量CT数据集包括配对的正常剂量CT（NDCT）和模拟四分之一剂量LDCT图像（512 × 512像素灰度图）。从10名患者的腹部CT扫描中总共选择了3,132张图像，其中9个病例（不包括L506）用作训练集。

结论

在本研究中，为了解决低剂量CT图像去噪中有效提取和利用上下文及语义信息的挑战，我们提出了一种浅层-中层-深层特征感知去噪器。该模型由三个核心模块组成，分别针对浅层、中层和深层阶段进行特征提取和利用。具体而言：（1）对于浅层阶段，我们引入了局部-全局特征提取器（LGFE），它通过多分支结构增强了浅层特征的丰富性。