高级搜索

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

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

曾理, 熊西林, 陈伟. 低剂量CT图像降噪的深度图像先验的目标偏移加速算法[J]. 电子与信息学报, 2023, 45(6): 2188-2196. doi: 10.11999/JEIT220551
引用本文: 曾理, 熊西林, 陈伟. 低剂量CT图像降噪的深度图像先验的目标偏移加速算法[J]. 电子与信息学报, 2023, 45(6): 2188-2196. doi: 10.11999/JEIT220551
ZENG Li, XIONG Xilin, CHEN Wei. Deep Image Prior Acceleration Method for Target Offset in Low-dose CT Images Denoising[J]. Journal of Electronics & Information Technology, 2023, 45(6): 2188-2196. doi: 10.11999/JEIT220551
Citation: ZENG Li, XIONG Xilin, CHEN Wei. Deep Image Prior Acceleration Method for Target Offset in Low-dose CT Images Denoising[J]. Journal of Electronics & Information Technology, 2023, 45(6): 2188-2196. doi: 10.11999/JEIT220551

低剂量CT图像降噪的深度图像先验的目标偏移加速算法

doi: 10.11999/JEIT220551
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)
详细信息
    作者简介:

    曾理:男,教授,博士生导师,研究方向为CT图像重建、图像处理、人工智能等

    熊西林:女,硕士生,研究方向为图像处理、人工智能等

    陈伟:男,教授,研究方向医学图像处理和放射组学等

    通讯作者:

    曾理 drlizeng@cqu.edu.cn

  • 中图分类号: TN911.73; TP391.41

Deep Image Prior Acceleration Method for Target Offset in Low-dose CT Images Denoising

Funds: The National Natural Science Foundation of China (61771003), The Graduate Scientific Research and Innovation Foundation of Chongqing (CYS19026)
  • 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。
  • 图  1  输入为随机固定张量的目标偏移的DIP加速算法

    图  2  经传统模型(TV模型与RTV模型)预处理后的目标偏移的DIP加速算法

    图  3  低剂量CT图像噪声分布示意图

    图  4  模拟低剂量CT图像DIP降噪结果

    图  5  原始DIP网络的损失函数与PSNR值变化趋势

    图  6  传统模型作为DIP预处理

    图  7  随机输入下基于目标偏移的DIP网络加速方法迭代结果

    图  8  基于目标偏移的DIP加速算法在不同输入下运行速度对比

    表  1  DIP网络改变输入前后质量对比

    网络输入DIP处理前PSNR (dB)DIP处理后PSNR (dB)迭代时间(s)此刻SSIM
    固定的随机张量29.161132.430.87
    经TV模型作为预处理所得张量27.0128.771092.460.87
    经RTV模型作为预处理所得张量28.3028.60196.080.88
    下载: 导出CSV

    表  2  5个不同的图像经本加速算法处理结果

    目标图像固定的随机张量作为
    DIP网络输入
    TV模型处理后的张量作为DIP网络输入RTV模型处理后的张量作为DIP网络输入
    PSNR最大值(dB)迭代时间(s)SSIMPSNR最大值(dB)迭代时间(s)SSIMPSNR最大值(dB)迭代时间(s)SSIM
    129.161132.430.8728.771092.460.8728.60196.080.88
    229.04969.010.8728.65767.310.8628.5926.620.88
    329.07847.190.8828.74226.010.8728.6833.250.88
    429.14778.070.8828.82128.020.8728.4316.220.88
    529.05726.380.8829.18122.540.8729.1317.240.88
    下载: 导出CSV

    表  3  不同方法的降噪性能比较

    降噪方法PSNR (dB)SSIM
    TV28.490.78
    RTV28.620.74
    BM3D29.120.73
    本文算法29.130.88
    下载: 导出CSV
  • [1] BAI Ti, WANG Biling, NGUYEN D, et al. Deep interactive denoiser (DID) for X-ray computed tomography[J]. IEEE Transactions on Medical Imaging, 2021, 40(11): 2965–2975. doi: 10.1109/TMI.2021.3101241
    [2] RUDIN L I, OSHER S, and FATEMI E. Nonlinear total variation based noise removal algorithms[J]. Physica D:Nonlinear Phenomena, 1992, 60(1/4): 259–268. doi: 10.1016/0167-2789(92)90242-F
    [3] 王大凯, 侯榆青, 彭进业. 图像处理的偏微分方程方法[M]. 北京: 科学出版社, 2008: 146–147.

    WANG Dakai, HOU Yuqing, and PENG Jinye. Partial Differential Equation Method for Image Processing[M]. Beijing: Science Press, 2008: 146–147.
    [4] XU Li, YAN Qiong, XIA Yang, et al. Structure extraction from texture via relative total variation[J]. ACM Transactions on Graphics, 2012, 31(6): 139. doi: 10.1145/2366145.2366158
    [5] ZHANG Kai, ZUO Wangmeng, CHEN Yunjin, et al. Beyond a Gaussian denoiser: Residual learning of deep CNN for image denoising[J]. IEEE Transactions on Image Processing, 2017, 26(7): 3142–3155. doi: 10.1109/TIP.2017.2662206
    [6] MORAN N, SCHMIDT D, ZHONG Yu, et al. Noisier2Noise: Learning to denoise from unpaired noisy data[C]. 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition, Seattle, USA, 2020: 12061–12069.
    [7] YIE S Y, KANG S K, HWANG D, et al. Self-supervised PET denoising[J]. Nuclear Medicine and Molecular Imaging, 2020, 54(6): 299–304. doi: 10.1007/s13139-020-00667-2
    [8] LEMPITSKY V, VEDALDI A, and ULYANOV D. Deep image prior[C]. 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition, Salt Lake City, USA, 2018: 9446–9454.
    [9] PAN Xingang, ZHAN Xiaohang, DAI Bo, et al. Exploiting deep generative prior for versatile image restoration and manipulation[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2022, 44(11): 7474–7489. doi: 10.1109/TPAMI.2021.3115428
    [10] DITTMER S, KLUTH T, MAASS P, et al. Regularization by Architecture: A deep prior approach for inverse problems[J]. Journal of Mathematical Imaging and Vision, 2020, 62(3): 456–470. doi: 10.1007/s10851-019-00923-x
    [11] CHENG Zezhou, GADELHA M, MAJI S, et al. A Bayesian perspective on the deep image prior[C]. 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition, Long Beach, USA, 2019: 5438–5446.
    [12] CUI Jianan, GONG Kuang, GUO Ning, et al. PET image denoising using unsupervised deep learning[J]. European Journal of Nuclear Medicine and Molecular Imaging, 2019, 46(13): 2780–2789. doi: 10.1007/s00259-019-04468-4
    [13] HASHIMOTO F, OHBA H, OTE K, et al. Dynamic PET image denoising using deep convolutional neural networks without prior training datasets[J]. IEEE Access, 2019, 7: 96594–96603. doi: 10.1109/ACCESS.2019.2929230
    [14] MATAEV G, ELAD M, and MILANFAR P. DeepRED: Deep image prior powered by RED[J]. arXiv: 1903.10176, 2019.
    [15] ONISHI Y, HASHIMOTO F, OTE K, et al. Anatomical-guided attention enhances unsupervised pet image denoising performance[J]. Medical Image Analysis, 2021, 74: 102226. doi: 10.1016/j.media.2021.102226
    [16] DABOV K, FOI A, KATKOVNIK V, et al. Image denoising by sparse 3-D transform-domain collaborative filtering[J]. IEEE Transactions on Image Processing, 2007, 16(8): 2080–2095. doi: 10.1109/TIP.2007.901238
  • 加载中
图(8) / 表(3)
计量
  • 文章访问数:  292
  • HTML全文浏览量:  188
  • PDF下载量:  86
  • 被引次数: 0
出版历程
  • 收稿日期:  2022-05-05
  • 修回日期:  2022-10-14
  • 网络出版日期:  2022-10-21
  • 刊出日期:  2023-06-10

目录

    /

    返回文章
    返回