基于注意力生成对抗网络的低剂量CT图像重建方法研究

This project focuses on low-dose CT image reconstruction. This project will propose some new low-dose CT image reconstruction methods based on GAN(Generative Adversarial Network) with attention to improve the quality of reconstructed image. Firstly, we try to propose a deep neural network to extracting deep essential features of low-dose CT image. Secondly, we will propose a deep convolutional neural network to represent the regularization term of LEARN(Learned Experts’ Assessment-based Reconstruction Network) model and propose a method to add the attention into LEARN model to focus on the detail and structure information of low-dose CT image. Finally, we will propose a CT image reconstruction method based on GAN to improve the quality of reconstructed image significantly. The GAN model will adopt the improved LEARN with attention as generator and adopt the feature extraction network as discriminator.

本项目关注低剂量CT图像重建的相关问题。针对现有的低剂量CT图像重建算法普遍存在的重建图像细节与结构信息模糊以及伪影等问题，本项目提出基于注意力生成对抗网络的低剂量CT图像重建的方法来改进重建图像的质量。首先，拟提出并构造一种基于低剂量CT图像特点的深度特征提取网络，实现对其本质深度特征的提取。其次，针对基于专家评估的重建网络模型（LEARN）的正则项，提出一种基于卷积和可变非线性激活函数的深度卷积神经网络模型进行更精准的表达；在此基础上，将注意力机制引入到LEARN模型中，通过对细节和结构信息的关注提升低剂量CT重建图像质量。在上述研究的基础上，提出一种生成对抗网络模型：以融合注意力机制的LEARN模型为生成模型，以基于低剂量CT图像特点的深度特征提取网络为主体形成判决模型；通过研究并实现对该模型的学习优化，最终大幅提高低剂量CT的重建图像质量。

CT医学影像已经成为临床诊断中必不可少的检查手段，其质量直接影响临床诊断的准确性。低剂量CT成像可在辐射剂量很小的条件下获得高质量的医学CT影像用于临床精确诊断，具有伤害小、费用低的特点，是高端医学成像CT设备的核心技术和核心竞争力。本项目聚焦低剂量条件下的CT重建，基于注意力、生成对抗和LEARN框架研究低剂量CT医学图像特征表示、图像噪声分离、低剂量CT图像先验表示和低剂量CT迭代重建等基础问题和理论，包括基于深度神经网络的低剂量CT图像表示与重建方法研究、基于生成对抗网络的低剂量CT图像表示与重建方法研究、基于LERAN的低剂量CT迭代重建方法研究等，建立了新的低剂量CT重建理论、方法和技术，提高了成像安全性、精准性和实时性，取得创新性成果，实验结果表明研究成果处于国内外先进水平。