周晓杰

(四川大学计算机学院，成都 610065)

0 引言

计算机断层成像(CT)技术的发展对医学诊断水平的进步产生了巨大的影响，随着CT技术在医学辅助诊断方面的影响越来越大，CT技术的研究也越来越受重视。在众多医学影像技术中，CT图像的去噪和重建一直以来都备受关注。为了减少CT成像过程中X射线对人体存在的潜在危害，低剂量CT应运而生，为了提高成像质量，低剂量CT去噪方法引起了国内外学者的研究兴趣。目前看来，CT图像去噪的传统方法主要是将图像信息在空间域以及频率域进行滤波操作，而后再采取反滤波进行图像重建以达到去噪的目的，很多传统方法在去除噪声的同时容易造成图像信息的丢失，因此去噪效果并不理想。以梯度下降流对图像进行平滑处理的全变分(TV)[1]去噪模型，以及以非局部均值思想为基础的BM3D算法[2-3]在图像去噪问题上取得了较好的效果，并随之而来出现了各种基于TV和BM3D的改良算法。近年来，卷积神经网络的出现给图像去噪算法研究带来了新的方向，一系列经典的网络模型和架构相继被提出，其中Chen等人提出了RED-CNN[4]模型，在低剂量CT去噪方面表现出色。受RED-CNN启发，本文结合近年来在计算机视觉领域表现出色的各种网络模型，利用空洞卷积能够通过膨胀操作扩大卷积核感受野的特性，提出了一种轻量级的低剂量CT卷积神经网络去噪模型，并通过实验对比，证实了其可行性。

1 网络结构设计

1.1 函数模型

假设X代表低剂量CT图像，Y代表正常剂量的CT图像，假定低剂量CT图像到正常剂量CT图像的映射可以表示为：