Khôi phục hình ảnh CT liều thấp bằng mạng nơ-ron tích chập

Nguyen Thanh Trung1, Trinh Dinh Hoan2, Nguyen Linh Trung1, Luu Manh Ha1
1AVITECH, VNU University of Engineering and Technology, Vietnam National University, Hanoi, Vietnam
2VIBOT ERL CNRS 6000 / ImViA, University of Bourgogne, France

Tóm tắt

Hình ảnh chụp cắt lớp vi tính (CT) bằng tia X được sử dụng rộng rãi trong chẩn đoán y tế. Một nhược điểm của hình ảnh CT bằng tia X là tia X có hại với liều cao. Việc giảm liều tia X có thể giảm rủi ro nhưng lại tạo ra tiếng ồn và các artefact trong hình ảnh tái tạo. Bài báo này trình bày một phương pháp mang tên FD-VGG để khử tiếng ồn cho hình ảnh CT liều thấp. FD-VGG ước lượng hình ảnh liều bình thường từ hình ảnh liều thấp và do đó giảm tiếng ồn và artefact. Trong FD-VGG, hàm mất mát được định nghĩa bằng sự kết hợp giữa sai số bình phương trung bình (MSE) và mất mát cảm nhận. FD-VGG đã được đào tạo trên tập dữ liệu gồm 226200 cặp hình ảnh liều thấp và liều bình thường từ 6 bệnh nhân và được đánh giá trên 100 hình ảnh liều thấp từ 2 bệnh nhân khác. Các hình ảnh liều bình thường tương ứng với các hình ảnh liều thấp này được coi là hình ảnh tiêu chuẩn cho việc đánh giá định lượng. Hai chỉ số là PSNR và SSIM được sử dụng để đánh giá khách quan. Kết quả thực nghiệm cho thấy mạng FD-VGG được đề xuất có khả năng khử tiếng ồn cho các hình ảnh liều thấp một cách hiệu quả, so với hai phương pháp tiên tiến nhất hiện nay.

Từ khóa

#CT liều thấp #mạng nơ-ron tích chập #mất mát cảm nhận

Tài liệu tham khảo

10.1088/0031-9155/58/16/5803

10.1088/0031-9155/55/18/009

10.1109/ATC.2016.7764792

10.21553/rev-jec.238

10.1088/0031-9155/57/9/2667

10.1007/978-3-319-46726-9_49

10.1148/radiol.11101380

10.1109/TMI.2017.2715284

10.1109/TMI.2017.2708987

10.1109/TMI.2018.2827462

2016, Low dose CT grand challenge

10.1148/radiol.2303021726

10.1109/TIP.2007.901238

10.1148/radiol.2403060698

10.1118/1.3232004

kingma, 2014, Adam: A method for stochastic optimization

10.1109/TMI.2006.882141

10.1016/j.ejmp.2012.01.003

10.2214/AJR.09.2397

10.1056/NEJMra072149

10.1118/1.3638125

10.1016/S0140-6736(04)15433-0

10.1109/TIP.2017.2662206

hsieh, 2009, Computed tomography: principles, design, artifacts, and recent advances

10.1109/TIP.2018.2839891

ioffe, 2015, Batch normalization: Accelerating deep network training by reducing internal covariate shift, 448

hahnloser, 2000, Digital selection and analogue amplification coexist in a cortex-inspired silicon circuit, Nature, 405, 947, 10.1038/35016072

10.1109/TIP.2003.819861

simonyan, 2014, Very deep convolutional networks for large-scale image recognition