任学智， 何 鹏,*， 龙邹荣， 郭晓东， 安 康， 吕小杰， 魏 彪,， 冯 鹏,*

1. 重庆大学光电技术及系统教育部重点实验室， 重庆 400044 2. 重庆大学工业CT无损检测教育部工程研究中心， 重庆 400044

引 言

传统CT(computed tomography)通过能量积分式探测器将不同能量的X射线光子整合接收， 反映了X射线的平均衰减特性[1]， 导致图像中密度相近物质的成像对比度差异小， 难以区分微小的组织结构[2]。 基于光子计数探测器的能谱CT(spectral CT)通过探测器设定能量选通阈值能够采集不同能量范围的X射线光子， 可以有效抑制射线束硬化伪影、 提高密度相近物质的成像对比度[3]。 而能谱CT在特定能量范围内探测的X射线光子数有限， 致使投影数据中含有较多的量子噪声， 重建的能谱CT图像信噪比较低。

在能谱CT图像降噪研究方面， 现多采用迭代重建算法对投影数据进行重建以抑制噪声。 例如Clark等[4]结合图像的稀疏特性和能谱CT图像相关性以构建重建目标函数， 提高了能谱CT图像重建效果。 Rigie和Riviere等[5]提出了一种基于矢量全变分(TV)的能谱CT重建算法。 上述图像重建降噪算法可以较好的抑制能谱CT重建图像中的噪声， 但算法复杂度较高、 计算时间较长。 近年来， 深度学习在CT图像降噪领域中得到了广泛应用[6-7]。 神经网络可以直接提取图像中噪声的特征信息， 进而通过与标准图像作对比抑制训练图像中的噪声。 例如Chen等[8]研究一种CT图像去噪的浅层卷积神经网络模型， 基于该网络提出了残差编码器-解码器卷积神经网络， 并使用反卷积网络和快捷连接以增强网络降噪性能。……