实例特定去噪技术：一种用于低剂量计算机断层扫描中深度学习的混合采集框架

《IEEE Transactions on Computational Imaging》：Instance-Specific Denoising: A Hybrid Acquisition Framework for Deep Learning in Low-Dose Computed Tomography

　　

摘要：

我们提出了一种创新的低剂量计算机断层扫描方法，该方法结合了混合采集协议和深度卷积神经网络。我们的协议将稀疏且均匀间隔的高曝光投影与密集的低曝光投影交错使用。这种策略能够提供特定的对象训练数据，并确保去噪任务始终在高质量样本之间的受限插值范围内进行，从而有效防止了模型引入的伪影。随后，卷积神经网络处理来自这些投影的时空角序列数据，巧妙利用角度相关性在重建前对图像进行去噪处理。我们在三个新的、公开可用的CBCT数据集上验证了我们的框架。结果证明，在图像质量和体积质量两个方面都有显著的提升。即便总体曝光量减少了90%以上，去噪后的图像与全曝光的真实图像仍具有极高的相似度，成功恢复了原始噪声数据中丢失的精细结构细节。这些附带的数据集为未来的研究和基准测试提供了宝贵的资源。