典型文献
基于深度学习的低剂量CT图像去噪
文献摘要：
目的:提出一种基于深度学习的方法用于低剂量CT(LDCT)图像的噪声去除.方法:首先进行滤波反投影重建,然后利用多尺度并行残差U-net(MPRU-net)的深度学习模型对重建后的LDCT图像进行去噪.实验数据采用LoDoPaB-CT挑战赛的医学CT数据集,其中训练集35 820张图像,验证集3 522张图像,测试集3 553张图像,并采用峰值信噪比(PSNR)与结构相似性系数(SSIM)来评估模型的去噪效果.结果:LDCT图像处理前后PSNR分别为28.80、38.22 dB,SSIM分别为0.786、0.966,平均处理时间为0.03 s.结论:MPR U-net深度学习模型能较好地去除LDCT图像噪声,提升PSNR,保留更多图像细节.
文献关键词：
低剂量CT;图像去噪;深度学习;多尺度并行残差U-net
中图分类号：
作者姓名：
谢丰雪;杨帆;冯维;曾雷雷;缪月红;雷平贵
作者机构：
贵州医科大学生物与工程学院,贵州贵阳550025;贵州医科大学大健康学院,贵州贵阳550025;贵州医科大学附属医院影像科,贵州贵阳550004
文献出处：
引用格式：
[1]谢丰雪;杨帆;冯维;曾雷雷;缪月红;雷平贵-.基于深度学习的低剂量CT图像去噪)[J].中国医学物理学杂志,2022(05):547-550
A类：
MPRU,LoDoPaB
B类：
图像去噪,LDCT,噪声去除,滤波反投影重建,net,深度学习模型,挑战赛,训练集,验证集,测试集,峰值信噪比,PSNR,结构相似性,相似性系数,SSIM,去噪效果,dB,处理时间,图像噪声,多图像
AB值：
0.303952
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
