謝豐雪，楊帆，馮維，曾雷雷，繆月紅，雷平貴

1.貴州醫(yī)科大學生物與工程學院，貴州貴陽 550025；2.貴州醫(yī)科大學大健康學院，貴州貴陽 550025；3.貴州醫(yī)科大學附屬醫(yī)院影像科，貴州貴陽 550004

前言

目前CT是臨床上廣泛使用的影像診斷設(shè)備，但檢查過程中CT輻射會對患者的身體造成一定的傷害。因此，Naildich 等［1］提出應(yīng)用低劑量CT（Low-Dose Computed Tomography,LDCT）作為肺癌高危人群的篩查，以減少輻射對人體的危害。另外在一項I類臨床實驗中證實采用LDCT為高危人群進行肺癌篩查可以將肺癌死亡率降低20%左右［2］。然而，臨床上LDCT圖像有明顯的噪聲、偽影以及對比度低等問題，這影響了醫(yī)生的診斷，可能會造成誤診、錯診或漏診［3-4］。為解決這些問題，有研究提出改善LDCT圖像質(zhì)量的方法，如懲罰加權(quán)最小二乘法（Penalized Weighted Least-Squares,PWLS）［5］、非局部均值（Non-Local Mean,NLM）濾波法［6］、局部自適應(yīng)雙邊濾波算法［7］、弦圖降噪算法［8］、基于稀疏表達的小波技術(shù)［9］等。雖然這些方法在一定程度上提高了CT圖像質(zhì)量，但對于復雜的醫(yī)學圖像，去噪效果還有待提高。近幾年，深度學習方法廣泛應(yīng)用于醫(yī)學圖像的處理和分析［10-11］，其中一些方法被用于CT圖像的去噪，如Green等［12］提出一種局部一致性的非局部均值（Locally-Consistent Non-Local Means,LC-NLM）去噪算法，該方法可實現(xiàn)LDCT圖像的降噪并保留圖像的精細細節(jié)；Kuanar等［13］提出通過基于RegNet的自動編碼器網(wǎng)絡(luò)結(jié)構(gòu)來消除CT圖像的噪聲；Heinrich等［14］運用XCAT軟件來模擬LDCT噪聲模型，并提出采用殘差U-net 網(wǎng)絡(luò)對LDCT 圖像進行去噪；Baguer 等［15］和Leuschner等［16］分析和評估了不同深度學習方法對于LDCT圖像去噪的表現(xiàn)。

LDCT 圖像噪聲復雜，以往深度學習方法基于單尺度的圖像特征提取有限，圖像去噪性能還需進一步提升。本研究在U-net 模型的基礎(chǔ)上提出多尺度并行殘差U-net（Multiscale Parallel Residual U-net,MPR U-net）的深度學習方法對LDCT 圖像進行去噪，該方法采用多尺度結(jié)構(gòu)進行不同尺度的特征提取，在上下采樣路徑使用殘差結(jié)構(gòu)，改善隨著網(wǎng)絡(luò)結(jié)構(gòu)加深而梯度消失的問題，旨在去除圖像噪聲的同時盡可能保留LDCT圖像信息。

1 材料與方法

1.1 數(shù)據(jù)集與預處理

1.1.1 數(shù)據(jù)集本研究的實驗數(shù)據(jù)來自公開的LoDoPaB-CT 挑戰(zhàn)賽數(shù)據(jù)庫［17］，該數(shù)據(jù)集包括752 名受試者標準劑量的CT圖像和對應(yīng)的模擬LDCT投影數(shù)據(jù)，各42 895 張。其中，標準劑量CT 圖像來自于LIDC/IDRI 數(shù)據(jù)庫［18］中正常劑量胸部CT 掃描；對應(yīng)的模擬LDCT投影數(shù)據(jù)中添加的噪聲為泊松噪聲，用于模擬LDCT掃描時的噪聲。

1.1.2 預處理將數(shù)據(jù)集劃分為3個部分，其中訓練集632名受試者，共35820張圖像，驗證集60名受試者，共3522張，測試集60名受試者，共3553張圖像。對模擬LDCT投影數(shù)據(jù)采用濾波反投影重建算法（Filtered Back Projection,FBP）［19］進行重建，重建結(jié)果如圖1所示。

圖1 圖像重建Figure 1 Image reconstruction

1.2 方法

1.2.1 模型結(jié)構(gòu)本研究提出的MPR U-net 深度學習模型如圖2 所示，其輸入和輸出圖像尺寸均為128 像素×128 像素，該模型主要由多尺度并行模塊、殘差連接、上下采樣路徑組成。其中，多尺度并行模塊如圖3 所示，分別采用1×1、3×3、5×5的卷積核對輸入圖像進行卷積操作，不同的卷積核擁有不同的感受視野，可以幫助提取到不同程度的特征；殘差連接包含3×3 卷積層（Convolution, Conv）、歸一化層（Batch Normalization Layer, BN）［20］與線性整流激活函數(shù)（Rectified Linear Unit,ReLU）［21］；下采樣路徑階段采用最大值池化（2×2）進行下采樣，上采樣路徑階段采用步長為2，卷積核尺寸2×2的反卷積恢復圖像尺寸。在上下采樣路徑之間使用4個跳躍連接，用于深層與淺層結(jié)構(gòu)的特征信息傳遞。

圖2 MPR U-net模型結(jié)構(gòu)Figure 2 MPR U-net model architecture

圖3 多尺度并行模塊Figure 3 Multiscale parallel module

1.2.2 實施細節(jié)采用Matlab R2020b 深度學習工具箱，并使用4 塊NVIDIA RTX 2080 Ti 顯卡對所提出的模型進行訓練。訓練過程中，使用Adam（Adaptive moment Estimation）優(yōu)化器對模型參數(shù)進行優(yōu)化［22］，網(wǎng)絡(luò)初始學習率為0.001，BatchSize 為128，Epoch 為100，每個Epoch結(jié)束后隨機打亂數(shù)據(jù)，并將學習率下降為原來的0.98倍。

1.2.3 評估方法采用峰值信噪比（Peak Signal-to-Noise Ratio, PSNR）和結(jié)構(gòu)相似性系數(shù)（Structural Similarity, SSIM）來評估模型的去噪效果。PSNR 主要用于評價實驗結(jié)果與參考圖像之間的質(zhì)量好壞，PSNR 的值越大，實驗結(jié)果圖像的質(zhì)量越高，公式如下所示：

其中，x為參考圖像；為實驗結(jié)果；L是圖像的像素值取值范圍，對于LoDoPaB-CT數(shù)據(jù)，L=1.0。SSIM主要用于評價實驗結(jié)果與參考圖像之間的結(jié)構(gòu)相似程度，取值范圍為0～1，值越大圖像越相似，公式如下所示：

其中，M為樣本數(shù)；uj分別表示參考圖像x和實驗結(jié)果的均值；σ2j、分別表示x、的方差；C1=(K1L)2，C2=(K2L)2是為了避免公式除零的兩個常數(shù)，K1=0.01，K2= 0.03。

2 結(jié)果

2.1 去噪效果

本研究從測試結(jié)果中隨機選取2 名受試者的部分圖像展示去噪效果，圖中紅框區(qū)域顯示了放大后圖像的去噪表現(xiàn)，如圖4所示。從圖中可以看出相對于FBP，所提方法明顯提升圖像的質(zhì)量，并去除大部分噪聲，其結(jié)果與標準劑量圖像相似。

2.2 評價指標結(jié)果

圖4 FBP重建圖像、標準圖像和本文方法重建圖像比較Figure 4 Comparison among images reconstructed by FBP,standard images and images obtained by the proposed method

運用PSNR與SSIM對測試集進行評估，表1為本研究所提的MPR U-net深度學習模型與FBP及其它深度學習方法的指標結(jié)果。與FBP比較，本研究提出的方法去噪效果提升明顯，PSNR和SSIM均高于FBP。與U-net模型相比，所提的多尺度結(jié)構(gòu)與殘差連接相組合的方法可以進一步提升模型的去噪性能。同時與最新LDCT圖像深度學習去噪方法Learned Primal-Dual［16,23］比較，雖然PSNR略低于該方法，但SSIM相較于該方法得到提升。主要原因在輸入數(shù)據(jù)時采用多尺度的結(jié)構(gòu)幫助提取了更多圖像特征，更有利于恢復圖像原本信息；另外該指標表明MPR U-net得到的結(jié)果與標準劑量圖像最相似，因為SSIM越高，圖像失真越小，越接近原始參考圖像。然而本研究僅針對模擬的LDCT圖像去噪，缺乏實際的LDCT掃描數(shù)據(jù)，后續(xù)研究需要采集更多的真實數(shù)據(jù)，進一步提升PSNR。

表1 不同方法的PSNR與SSIM比較Table 1 Comparison of PSNR and SSIM among different methods

3 討論

LDCT 圖像去噪的重點在于去除噪聲的同時保留有用的臨床診斷信息。本研究提出MPR U-net 深度學習模型對LDCT圖像進行去噪，相較傳統(tǒng)去噪算法，能有效去除噪聲并保留圖像細節(jié)，在測試集上PSNR 和SSIM 分別達到38.22 dB 和0.966，平均處理時間只需0.03 s，其中SSIM 高于最新深度學習方法（Learned Primal-Dual）。

LDCT 圖像的噪聲出現(xiàn)位置與程度不確定，采用單尺度的特征提取方式不能有效獲取圖像的全部特征，因此本研究在U-net 深度學習模型基礎(chǔ)上引入多尺度并行特征提取模塊加大網(wǎng)絡(luò)的感受野，獲取更多圖像特征信息，并利用跳躍連接方式傳遞特征信息，減少輸入與輸出之間特征圖的差異，提升模型的去噪性能。另外通過殘差連接讓淺層特征輸出直接參與到深層特征輸入中，改善隨著網(wǎng)絡(luò)層數(shù)加深帶來的梯度消失問題，進一步提升網(wǎng)絡(luò)性能。

4 結(jié)論

本研究針對LDCT圖像，提出MPR U-net深度學習模型對其去噪。該模型融入多尺度并行殘差結(jié)構(gòu)，相較傳統(tǒng)方法有較高的PSNR與SSIM。與最新深度學習方法相比具有更高的SSIM，在去除噪聲的同時具有更高的結(jié)構(gòu)相似性。未來研究中，將繼續(xù)對模型結(jié)構(gòu)進行優(yōu)化，收集更多真實的LDCT數(shù)據(jù)，進一步提升LDCT圖像的質(zhì)量，幫助醫(yī)生更準確地診斷疾病。