史再峰，程?明，歐陽(yáng)順馨，孔凡寧，齊俊宇，田?穎

基于DCPAN的低劑量能譜CT圖像去噪方法

史再峰1, 2，程?明1，歐陽(yáng)順馨1，孔凡寧1，齊俊宇1，田?穎3

(1. 天津大學(xué)微電子學(xué)院，天津 300072；2. 天津市成像與感知微電子技術(shù)重點(diǎn)實(shí)驗(yàn)室，天津 300072；3. 天津仁愛(ài)學(xué)院，天津 301636)

能譜式計(jì)算機(jī)斷層掃描(CT)成像技術(shù)具備良好的能量分辨率，能夠精確地鑒別人體組織成分，從而為后續(xù)診斷提供更準(zhǔn)確的檢測(cè)信息．隨著輻射劑量的降低，能譜CT圖像中噪聲水平顯著提高，對(duì)成像質(zhì)量產(chǎn)生嚴(yán)重影響，進(jìn)而降低了組織成分的解析精度．基于卷積神經(jīng)網(wǎng)絡(luò)(CNN)的去噪模型雖然可以顯著降低圖像中的噪聲含量，但隨著卷積層數(shù)的增加，深層神經(jīng)網(wǎng)絡(luò)通常會(huì)丟失高頻信息．為了解決這一問(wèn)題，并實(shí)現(xiàn)在低劑量條件下重建出高質(zhì)量能譜CT圖像，本文提出了一種結(jié)合通道注意力機(jī)制(CA)和持續(xù)自注意力機(jī)制(PSA)的密集連接持續(xù)注意力網(wǎng)絡(luò)(DCPAN)．兩種注意力機(jī)制分別建立特征圖像在通道和全局維度的聯(lián)系以提高網(wǎng)絡(luò)對(duì)圖像高頻分量的敏感程度，進(jìn)而抑制高頻細(xì)節(jié)信息的丟失．該模型所采用的密集連接結(jié)構(gòu)通過(guò)特征復(fù)用的方式可以在前饋傳播中保留高頻信息，使用復(fù)合損失函數(shù)來(lái)監(jiān)督網(wǎng)絡(luò)的訓(xùn)練可以使該模型對(duì)邊緣特征和組織細(xì)節(jié)信息更加敏感．實(shí)驗(yàn)結(jié)果表明，經(jīng)該模型處理的腹部切片CT圖像峰值信噪比、結(jié)構(gòu)相似性指數(shù)和特征相似性指數(shù)分別達(dá)到了38.25dB、0.9937和0.9732以上．相比于目前先進(jìn)的CT噪聲去除方法，該方法具有更好的噪聲抑制能力，處理得到的重建圖像組織結(jié)構(gòu)清晰、噪聲含量更低，為后續(xù)診斷和其他處理工作提供更精確的檢測(cè)信息．

能譜式計(jì)算機(jī)斷層掃描；低劑量；卷積神經(jīng)網(wǎng)絡(luò)；注意力機(jī)制

能譜式計(jì)算機(jī)斷層掃描(computed tomography，CT)成像技術(shù)可以提供多個(gè)X射線(xiàn)能量區(qū)間的衰減信息，進(jìn)而更加精準(zhǔn)地量化評(píng)估所測(cè)組織成分信息．隨著輻射劑量的降低，光子饑餓、串?dāng)_等不良效應(yīng)增強(qiáng)、噪聲水平明顯上升，這嚴(yán)重地影響了能譜CT的圖像質(zhì)量，進(jìn)一步降低了組織成分解析的精度，因此改善低劑量能譜CT圖像質(zhì)量的關(guān)鍵在于抑制噪聲．目前已提出的CT圖像去噪方法基于數(shù)據(jù)來(lái)源可以分為兩類(lèi)：投影域數(shù)據(jù)處理方法[1-2]和圖像域數(shù)據(jù)處理方法[3-5]．通過(guò)引入字典學(xué)習(xí)[6]、非局部均值等[7]圖像處理算法雖然可以在一定程度上去除噪聲和偽影，但由此處理得到的CT圖像中存在圖像分辨率下降和邊緣模糊等問(wèn)題，因此改善CT圖像質(zhì)量的效果十分有限．

相比于這些方法，深度學(xué)習(xí)在對(duì)圖像的特征提取和學(xué)習(xí)方面具有更強(qiáng)的優(yōu)勢(shì)，特別是在CT圖像去噪領(lǐng)域，涌現(xiàn)出了大量基于深度學(xué)習(xí)的方法．Kang等[8]提出了一種結(jié)合了小波變換的卷積神經(jīng)網(wǎng)絡(luò)模型對(duì)低劑量CT圖像進(jìn)行處理，有效地提高了CT圖像的分辨率．Chen等[9]提出了一種殘差編解碼器CNN模型(RED-CNN)用于改善低劑量CT圖像質(zhì)量，在抑制噪聲和保留細(xì)節(jié)結(jié)構(gòu)等方面取得了不錯(cuò)的效果.雖然基于卷積運(yùn)算模型在抑制CT圖像噪聲方面有較強(qiáng)的優(yōu)勢(shì)，但是隨著網(wǎng)絡(luò)層數(shù)的加深，深層網(wǎng)絡(luò)會(huì)丟失圖像特征的高頻分量，導(dǎo)致其輸出圖像過(guò)于平滑，影響對(duì)CT圖像組織細(xì)節(jié)的觀(guān)察．Liang等[10]提出了一種結(jié)合邊緣檢測(cè)層來(lái)保留圖像邊緣處高頻信息的去噪模型(EDCNN)，在一定程度上提高了圖像質(zhì)量，但其邊緣敏感程度受限于所引入的Sobel算子計(jì)算方向，對(duì)醫(yī)學(xué)影像中復(fù)雜的邊緣紋理結(jié)構(gòu)處理效果仍不理想．最近，隨著注意力機(jī)制在計(jì)算機(jī)視覺(jué)領(lǐng)域的快速發(fā)展，它可以通過(guò)提升網(wǎng)絡(luò)對(duì)輸入數(shù)據(jù)的選擇能力來(lái)使得網(wǎng)絡(luò)對(duì)特定信息具有更強(qiáng)的敏感性．這種特點(diǎn)為解決高頻信息丟失的問(wèn)題提供了新的思路．例如，Zhang等[11]通過(guò)將通道注意力機(jī)制(channel attention mechanism，CA)引入神經(jīng)網(wǎng)絡(luò)中在圖像超分辨率重建領(lǐng)域?qū)崿F(xiàn)了更好的效果．Wang等[12]通過(guò)優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)來(lái)改善CA對(duì)空間位置間關(guān)系的敏感性，進(jìn)而提高了網(wǎng)絡(luò)的去噪能力，但其對(duì)空間信息的調(diào)整僅通過(guò)聚合通道特征來(lái)實(shí)現(xiàn)，導(dǎo)致其對(duì)高頻信息的敏感程度不佳．

為了抑制高頻信息在網(wǎng)絡(luò)處理過(guò)程中的丟失，使去噪圖像保留更多的細(xì)節(jié)信息，在本文中筆者提出了一種結(jié)合了CA和持續(xù)自注意力機(jī)制(persistent self-attention mechanism，PSA)的密集連接網(wǎng)絡(luò)模型：密集連接持續(xù)注意力網(wǎng)絡(luò)(densely connected persistent attention network，DCPAN)．一方面，CA可以利用特征圖的通道依賴(lài)性自適應(yīng)地調(diào)整需要強(qiáng)調(diào)的通道權(quán)重；另一方面，PSA既可以通過(guò)建立全局各位置間相關(guān)性來(lái)調(diào)整特征權(quán)重，又可以聚合先前自注意力特征信息以減少前饋過(guò)程中的信息丟失．DCPAN結(jié)合兩種注意力機(jī)制來(lái)改善網(wǎng)絡(luò)對(duì)通道和全局特征敏感性，并使用密集連接結(jié)構(gòu)聚合不同位置特征信息，有效地減少圖像高頻特征在處理過(guò)程中的丟失，進(jìn)而重建出高質(zhì)量的低劑量能譜CT圖像．

1?能譜CT圖像去噪方法

1.1?圖像域去噪模型

深度學(xué)習(xí)模型具有強(qiáng)大的特征提取能力，并可通過(guò)訓(xùn)練來(lái)逼近算子，進(jìn)而建立這種未知映射關(guān)系以解決該圖像反問(wèn)題．因此，本文通過(guò)構(gòu)建并訓(xùn)練深度學(xué)習(xí)模型DCPAN以建立低劑量和常規(guī)劑量條件下能譜CT圖像之間的映射關(guān)系從而改善輸入圖像質(zhì)量是可行的．

1.2?基于DCPAN的去噪方法

1.2.1?模型整體結(jié)構(gòu)

相比機(jī)器視覺(jué)領(lǐng)域的常規(guī)圖像，能譜CT各能量區(qū)間重建圖像的噪聲分布具有一定的相關(guān)性．因此使用注意力機(jī)制來(lái)調(diào)整各通道信息有利于改善模型的去噪性能．筆者將探測(cè)數(shù)據(jù)重建的能譜CT各能量圖像堆疊為一個(gè)高維張量作為網(wǎng)絡(luò)的輸入，網(wǎng)絡(luò)的輸出為與輸入數(shù)據(jù)相對(duì)應(yīng)的低噪聲圖像所構(gòu)成的高維張量．如圖1所示，所提出的DCPAN的整體結(jié)構(gòu)由個(gè)級(jí)聯(lián)注意力模塊(cascaded attention block，CAB)組成，各模塊之間采用密集連接方式，即除第1個(gè)模塊外，第個(gè)模塊均需要聚合前－1個(gè)模塊的輸出數(shù)據(jù)．在網(wǎng)絡(luò)的末端，將網(wǎng)絡(luò)輸入數(shù)據(jù)與第個(gè)模塊的輸出相加，這種殘差結(jié)構(gòu)有助于解決深層網(wǎng)絡(luò)所引起的梯度消失問(wèn)題．

圖1?基于DCPAN的低劑量能譜CT去噪方法結(jié)構(gòu)

每個(gè)CAB均由個(gè)級(jí)聯(lián)的持續(xù)注意力子模塊(persistent attention sub-block，PASB)和1個(gè)特征聚合子模塊(feature aggregation sub-block，F(xiàn)ASB)組成，各個(gè)PASB間也采用了密集連接的方式．每個(gè)PASB主要由CA單元和PSA單元組成，輸入數(shù)據(jù)經(jīng)過(guò)兩個(gè)3×3卷積層進(jìn)行特征提取后輸入至CA單元．CA單元可以在通道維度上重新校準(zhǔn)特征數(shù)據(jù)，先通過(guò)全局平均池化層對(duì)輸入數(shù)據(jù)的空間維度進(jìn)行特征壓縮，然后分別通過(guò)兩個(gè)1×1卷積層和兩個(gè)激活層生成特征權(quán)重來(lái)建立各通道間的相關(guān)性，并最終將其與輸入數(shù)據(jù)相乘，從而增強(qiáng)或抑制不同通道的特征信息．由于能譜CT圖像具有一定的能量相關(guān)性且模型輸入數(shù)據(jù)為各能量區(qū)間圖像堆疊而成的高維張量，CA單元可以通過(guò)調(diào)整各通道的權(quán)重更好地利用各能量區(qū)間圖像噪聲信息的能譜相關(guān)性，有益于提升模型的噪聲抑制能力．CA單元的輸出數(shù)據(jù)被輸入到PSA單元中．PSA單元在直接捕捉特征圖各位置間關(guān)系的過(guò)程中，通過(guò)對(duì)前級(jí)PASB的密集連接將各級(jí)特征權(quán)重與本級(jí)特征圖中的空間位置關(guān)系充分融合，從而減少了高頻信息的丟失．最終，第級(jí)PASB的輸出數(shù)據(jù)被輸入至FASB中．FASB密集連接先前各級(jí)CAB以匯集各級(jí)特征，并通過(guò)1×1卷積層和帶泄露線(xiàn)性整流(leaky rectified linear unit，Leaky ReLU)激活層來(lái)融合這些特征，其輸出與本級(jí)CAB的輸入數(shù)據(jù)相加構(gòu)成殘差結(jié)構(gòu)并輸出至下級(jí)CAB中.

1.2.2?持續(xù)自注意力機(jī)制

自注意力機(jī)制通過(guò)計(jì)算特征圖像各位置的加權(quán)平均值作為其中某個(gè)位置的輸出響應(yīng)．Non-Local神經(jīng)網(wǎng)絡(luò)[13]作為一種自注意力機(jī)制結(jié)構(gòu)，將非局部運(yùn)算引入網(wǎng)絡(luò)中來(lái)建立特征信息間的遠(yuǎn)程依賴(lài)關(guān)系，從而有效地保留了圖像的高頻信息，這對(duì)于保留能譜CT圖像復(fù)雜的細(xì)節(jié)結(jié)構(gòu)和邊緣特征具有很大的優(yōu)勢(shì)．但是在深層網(wǎng)絡(luò)中，隨著卷積層數(shù)的增多，中間卷積層的特征信息會(huì)呈現(xiàn)分層結(jié)構(gòu)，因此在不同位置的自注意力機(jī)制嵌入空間中也存在不同的全局特征信息．應(yīng)用這些信息可以使本級(jí)注意力機(jī)制在調(diào)整特征權(quán)重的同時(shí)兼顧前級(jí)子模塊對(duì)特征信息的調(diào)整情況，這有益于改善網(wǎng)絡(luò)的去噪性能并減少能譜CT圖像中細(xì)節(jié)信息的丟失．因此，PSA為融合各自注意力特征的嵌入空間信息，在Non-Local神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)基礎(chǔ)上加入密集連接結(jié)構(gòu)．

式中為輸入的特征信息．第級(jí)PASB的PSA單元還需要融合前－1級(jí)的自注意力機(jī)制響應(yīng)信息，該過(guò)程通過(guò)聚合前－1級(jí)信息并將其與本級(jí)嵌入空間特征圖加和來(lái)實(shí)現(xiàn)，定義為

式中：1～分別為第1～級(jí)PSA輸出的特征權(quán)重信息；a為1×1卷積層的權(quán)重，用于壓縮這些特征信息．此外，PSA還通過(guò)另一個(gè)1×1卷積層來(lái)構(gòu)建全局位置信息作為自注意力機(jī)制的值向量．第級(jí)PASB中PSA單元最終響應(yīng)為

式中Wb為一個(gè)1×1卷積層用于調(diào)整數(shù)據(jù)維度以實(shí)現(xiàn)與輸入信息xj的殘差連接．

1.2.3?復(fù)合損失函數(shù)

復(fù)合損失函數(shù)可以有效地均衡各損失函數(shù)的優(yōu)勢(shì)，在去噪過(guò)程中，使用復(fù)合損失函數(shù)約束網(wǎng)絡(luò)訓(xùn)練過(guò)程可以有效地阻止圖像過(guò)于平滑，提高網(wǎng)絡(luò)對(duì)于細(xì)節(jié)信息的敏感性，從而克服圖像的細(xì)節(jié)紋理丟失問(wèn)題．監(jiān)督DCPAN訓(xùn)練的損失函數(shù)共分為1損失、特征感知損失和邊緣損失3個(gè)部分．其中，1損失可以描述輸出圖像與標(biāo)簽之間的各對(duì)應(yīng)像素間的差異的均值．相比于2損失，1損失具有更加穩(wěn)定的梯度，可以有效防止梯度爆炸等問(wèn)題，可以用公式表示為

在網(wǎng)絡(luò)的優(yōu)化過(guò)程中，僅最小化1損失會(huì)引起輸出圖像過(guò)于平滑，從而丟失很多用于疾病診斷的重要特征信息．特征感知損失則可以通過(guò)描述輸出圖像與標(biāo)簽在特征維度上的差異以促使輸出圖像與標(biāo)簽的特征信息更加接近，從而抑制原有細(xì)節(jié)信息的丟失．根據(jù)文獻(xiàn)[14]中的經(jīng)驗(yàn)，筆者使用已訓(xùn)練好的VGG-19網(wǎng)絡(luò)得到輸出圖像與標(biāo)簽的特征維度數(shù)據(jù)，并使用2范數(shù)描述差異，定義為

邊緣損失通過(guò)最大化輸出圖像與標(biāo)簽在梯度上的相關(guān)性系數(shù)來(lái)提高網(wǎng)絡(luò)對(duì)邊緣信息的敏感程度．將該系數(shù)加上一個(gè)非常小的參數(shù)并取倒數(shù)來(lái)保證損失函數(shù)的整體最小化，參數(shù)可以避免分母為零所造成的損失函數(shù)失效問(wèn)題，其可以被表示為

綜上所述，用于訓(xùn)練DCPAN的復(fù)合損失函數(shù)可以表示為

式中1和2為用來(lái)平衡兩部分損失的權(quán)重參數(shù)．

2?實(shí)驗(yàn)設(shè)置與結(jié)果分析

2.1?數(shù)據(jù)集與模型配置

2.1.1?數(shù)據(jù)集的準(zhǔn)備

在實(shí)驗(yàn)中，筆者使用大量數(shù)據(jù)集來(lái)訓(xùn)練、驗(yàn)證和測(cè)試所提出網(wǎng)絡(luò)結(jié)構(gòu)．其中，杜克大學(xué)的XCAT[15]生成的體模被分為訓(xùn)練集、驗(yàn)證集和測(cè)試集3個(gè)部分.所使用體模數(shù)據(jù)來(lái)自12名不同年齡、性別、身高和體重患者．采用邊緣入射型X射線(xiàn)探測(cè)器模型[16]模擬X射線(xiàn)探測(cè)過(guò)程，并由140kVp驅(qū)動(dòng)的GE_Maxiray_125型球管產(chǎn)生X射線(xiàn)光子．該探測(cè)器仿真模型可以充分考慮探測(cè)過(guò)程中的散射效應(yīng)，并可以模擬投影過(guò)程中的隨機(jī)噪聲，采用FBP算法將投影數(shù)據(jù)重建為CT圖像，探測(cè)器配置參數(shù)如表1所示.

表1?邊緣入射型探測(cè)器配置參數(shù)

Tab.1?Parameters setting for edge-on detector

邊緣入射型探測(cè)器的能量閾值分別設(shè)置為70keV和95keV，并忽略20keV以下的光子數(shù)量，由此得到的3個(gè)能量范圍分別為20～70keV、70～95keV和95～140keV．使用仿真探測(cè)器模型掃描體模分別得到了常規(guī)劑量和低劑量條件下3個(gè)能量范圍的CT圖像．?dāng)?shù)據(jù)集的尺寸為256×256，實(shí)驗(yàn)中選擇其中10個(gè)體模的共1400組數(shù)據(jù)和標(biāo)簽進(jìn)行網(wǎng)絡(luò)的訓(xùn)練和驗(yàn)證，并隨機(jī)標(biāo)記其中280組作為驗(yàn)證集，其余1120組用于訓(xùn)練以抑制模型的過(guò)擬合現(xiàn)象．采用補(bǔ)丁訓(xùn)練策略，將輸入圖像和標(biāo)簽劃分為重疊的64×64圖像塊，滑動(dòng)間隔為32個(gè)像素，共計(jì)54880組補(bǔ)丁用于網(wǎng)絡(luò)訓(xùn)練．使用其余2個(gè)體模的280組數(shù)據(jù)和標(biāo)簽測(cè)試模型性能，分別使用胸部和腹部CT切片結(jié)果對(duì)所提出方法的去噪性能和效果進(jìn)行定性和定量分析，選取具有代表性的RED-CNN[9]、EDCNN[10]、InceptionNet[17]和混合高斯模型的正弦圖噪聲去除網(wǎng)絡(luò)(sinogram denoising network with Gaus-sian mixture model，SDN-GMM)[18]作為對(duì)比方法．

2.1.2?網(wǎng)絡(luò)訓(xùn)練及參數(shù)設(shè)置

在訓(xùn)練網(wǎng)絡(luò)的過(guò)程中，每個(gè)迭代周期使用的最小批次為32，采用Adam算法優(yōu)化網(wǎng)絡(luò)的梯度更新，其中學(xué)習(xí)率設(shè)為1×10-5，指數(shù)衰減參數(shù)分別為0.5和0.99．網(wǎng)絡(luò)中Leaky ReLU激活層的alpha系數(shù)設(shè)為0.1．網(wǎng)絡(luò)模型基于Tensorflow框架實(shí)現(xiàn)，并在Intel i5-9400f CPU搭載的NVIDIA公司GeForce RTX 2080GPU上訓(xùn)練1000個(gè)周期，TensorFlow-GPU的版本為1.9.0，Python的版本為3.6.8．

2.2?對(duì)比實(shí)驗(yàn)結(jié)果分析

2.2.1?主觀(guān)效果對(duì)比

在實(shí)驗(yàn)中，從測(cè)試數(shù)據(jù)集中分別選取了胸部和腹部切片輸入至各模型，測(cè)試結(jié)果如圖3和圖4所示．兩圖中第1列分別展示了低劑量條件下3個(gè)能量區(qū)間腹部和胸部切片CT圖像，第2列為常規(guī)劑量條件下3個(gè)能量區(qū)間對(duì)應(yīng)切片圖像，第3～7列分別展示了RED-CNN、EDCNN、InceptionNet、SDN-GMM和DCPAN的相應(yīng)測(cè)試結(jié)果．為了更加直觀(guān)地評(píng)估各方法的測(cè)試結(jié)果，筆者在圖像中分別選取了具有更多的細(xì)節(jié)特征的感興趣區(qū)域(region of interest，ROI)，并標(biāo)注為紅色方框以便觀(guān)察各方法測(cè)試結(jié)果的噪聲與細(xì)節(jié)特征的保留程度．

從圖3中可以看出，每種方法對(duì)于各能量區(qū)間下的低劑量CT圖像的噪聲均有一定的抑制作用．輸入的低劑量CT圖像具有很?chē)?yán)重的噪聲和偽影，尤其是在低能圖像中嚴(yán)重影響了診斷過(guò)程中對(duì)病灶周邊組織和結(jié)構(gòu)的識(shí)別精確程度．圖3(c)和圖4(c)顯示了RED-CNN對(duì)低劑量CT圖像的處理結(jié)果，可以看出仍然帶有部分殘留的噪聲影響視覺(jué)效果．EDCNN的測(cè)試結(jié)果如圖3(d)和圖4(d)所示，可以看出邊緣特征提取層有益于改善邊緣部分圖像質(zhì)量，但圖像中仍有部分殘留噪聲，尤其是在射束硬化較為嚴(yán)重的胸部切片圖像．使用多尺度采樣的InceptionNet可以很好地保留圖像的細(xì)節(jié)信息，但其邊緣部位較為平滑，這說(shuō)明該網(wǎng)絡(luò)對(duì)邊緣高頻信息并不夠敏感．圖3(f)和圖4(f)為SDN-GMM的測(cè)試結(jié)果，該方法因充分考慮到投影數(shù)據(jù)噪聲統(tǒng)計(jì)分布而取得較好的效果，可以看出圖中噪聲含量顯著降低，細(xì)節(jié)特征得到了很好的保留．圖3(g)和圖4(g)為DCPAN的處理結(jié)果，各重建圖像邊緣信息較為清晰且保留了組織細(xì)節(jié)，這有利于后續(xù)診斷過(guò)程中對(duì)病灶組織的精確觀(guān)察．投影域數(shù)據(jù)難以獲取使SDN-GMM通用性依然受限，DCPAN利用了更易于獲取的圖像數(shù)據(jù)，取得了與SDN-GMM相近的效果，具有更強(qiáng)的通用性和實(shí)用潛力．

圖3?腹部切片不同算法去噪效果對(duì)比

圖4?胸部切片不同算法去噪效果對(duì)比

筆者針對(duì)ROI標(biāo)注區(qū)域來(lái)進(jìn)一步對(duì)比各方法對(duì)邊緣和細(xì)節(jié)信息的保留情況．在低劑量能譜CT圖像中，標(biāo)注區(qū)域的組織結(jié)構(gòu)受到噪聲信息的影響，無(wú)法準(zhǔn)確地判斷組織的清晰結(jié)構(gòu)．RED-CNN的測(cè)試結(jié)果雖然抑制了圖像中的噪聲，但對(duì)邊緣結(jié)構(gòu)的顯示并不清晰，尤其是圖3中紫色方框和圖4中藍(lán)色方框標(biāo)注區(qū)域．EDCNN和InceptionNet測(cè)試結(jié)果的邊緣清晰度雖然有所提高，但對(duì)在部分細(xì)節(jié)信息的處理中出現(xiàn)了過(guò)于平滑的現(xiàn)象，不利于對(duì)體積較小的結(jié)構(gòu)進(jìn)行觀(guān)察．SDN-GMM和DCPAN的處理結(jié)果中組織細(xì)節(jié)結(jié)構(gòu)和邊緣特征均得到很好的保留，具有較好的組織清晰度．

2.2.2?客觀(guān)量化分析

為了進(jìn)一步分析各方法的性能，采用客觀(guān)評(píng)價(jià)指標(biāo)峰值信噪比(peak signal to noise ratio，PSNR)、結(jié)構(gòu)相似性(structural similarity，SSIM)指數(shù)和特征相似性(feature similarity，F(xiàn)SIM)指數(shù)來(lái)對(duì)測(cè)試結(jié)果進(jìn)行量化分析，其中PSNR表示圖像與背景噪聲的比率，PSNR越高則說(shuō)明圖像中噪聲含量越低；SSIM則可以描述兩組圖像之間的結(jié)構(gòu)性差異，更高的SSIM值代表二者間更小的細(xì)節(jié)差異；FSIM通過(guò)計(jì)算圖像間的特征差異來(lái)衡量不同算法在去噪過(guò)程中對(duì)特征信息的保留能力．以各測(cè)試切片所對(duì)應(yīng)的標(biāo)簽作為客觀(guān)評(píng)價(jià)指標(biāo)的對(duì)比圖像，各方法測(cè)試圖像客觀(guān)評(píng)價(jià)指標(biāo)的平均結(jié)果如表2所示．

從表2中可見(jiàn)，相比于其他對(duì)比方法，DCPAN在PSNR、SSIM和FSIM 3種評(píng)價(jià)指標(biāo)上均具備一定優(yōu)勢(shì)，更高的PSNR值證明了該模型相比于其他方法可以顯著抑制圖像的噪聲，更高的SSIM值可以說(shuō)明該方法在對(duì)于圖像細(xì)節(jié)紋理結(jié)構(gòu)的保留上具有一定優(yōu)勢(shì)，更高的FSIM值則可以說(shuō)明該方法具有更好的圖像特征保留能力．與EDCNN的測(cè)試結(jié)果相比，經(jīng)DCPAN處理的圖像PSNR值提高了1.67～3.28dB，SSIM值則提高了0.0010～0.0048，F(xiàn)SIM值提高了0.0099～0.0109．這說(shuō)明相比于通過(guò)邊緣特征提取層保留細(xì)節(jié)特征，DCPAN結(jié)合兩種注意力機(jī)制而建立的信道和全局特征聯(lián)系使其對(duì)高頻特征信息更具敏感性．相較InceptionNet的測(cè)試結(jié)果，DCPAN測(cè)試結(jié)果的PSNR值提高了0.47～0.75dB，SSIM值提高了0.0012～0.0044，F(xiàn)SIM值則提高了0.0040～0.0091，這說(shuō)明雖然多尺度采樣可以改善網(wǎng)絡(luò)性能并提高網(wǎng)絡(luò)對(duì)于細(xì)節(jié)信息的敏感程度，但DCPAN通過(guò)在密集連接運(yùn)算過(guò)程中調(diào)整各注意力特征權(quán)重對(duì)細(xì)節(jié)特征具有更佳的保留效果．DCPAN測(cè)試結(jié)果的評(píng)價(jià)指標(biāo)與SDN-GMM非常接近，這說(shuō)明DCPAN通過(guò)充分利用能譜CT圖像特征在通道和全局維度的相關(guān)性，達(dá)到了與結(jié)合投影數(shù)據(jù)噪聲模型的SDN-GMM相近的去噪水平．對(duì)于胸部切片，該部位測(cè)試結(jié)果的指標(biāo)則普遍低于腹部切片，這可能是由于胸部組織結(jié)構(gòu)更為復(fù)雜，且該部位胸骨、椎骨等具有較高衰減系數(shù)的組織所帶來(lái)的射束硬化更為嚴(yán)重. DCPAN對(duì)胸部切片的處理具有最佳效果，其測(cè)試結(jié)果的PSNR值達(dá)到了36.1600dB以上，SSIM值達(dá)到了0.9921以上，F(xiàn)SIM值達(dá)到了0.9678以上，這?說(shuō)明DCPAN具有較強(qiáng)的去噪性能和細(xì)節(jié)特征保留能力．

表2?不同算法腹部和胸部切片測(cè)試結(jié)果客觀(guān)指標(biāo)

Tab.2?Evaluation index of abdominal and chest slice test results from different methods

此外，為更好評(píng)估幾種方法的噪聲水平，從腹部和胸部切片中選取了較為平滑的部分如圖3和圖4中綠色方框所示，分別標(biāo)注為ROI A和ROI B，并計(jì)算了這些部分的均值和標(biāo)準(zhǔn)差(standard deviation，SD)以定量分析，計(jì)算結(jié)果如表3所示．相比于其他對(duì)比模型，DCPAN各輸出圖像的SD均有不同程度的降低，這種變化尤其體現(xiàn)在ROI B中．相比于InceptionNet，對(duì)于胸部切片的DCPAN 3個(gè)輸出圖像SD分別下降了15.2%、14.3%和11.1%，胸部切片的SD分別下降了1.0%、1.5%和1.4%，說(shuō)明DCPAN的輸出結(jié)果具有更低的噪聲水平．

表3?不同算法測(cè)試結(jié)果中的均值與標(biāo)準(zhǔn)差對(duì)比

Tab.3?Comparison of the mean and standard deviation of test results from different methods

2.3?消融實(shí)驗(yàn)結(jié)果分析

2.3.1?不同模塊的消融研究

為驗(yàn)證DCPAN中各模塊的性能，筆者針對(duì)各模塊對(duì)模型性能的影響進(jìn)行了消融研究，其分析結(jié)果如表4所示．根據(jù)該表中的數(shù)據(jù)可以看出CA和PSA均有益于提升模型抑制噪聲的能力，且PSA對(duì)全局特征的建模可以使得模型對(duì)高頻信息更加敏感．相比于CA對(duì)信道特征的建模，PSA對(duì)去噪效果的改善程度更高，兩種注意力機(jī)制相結(jié)合則可以進(jìn)一步提高模型的性能．相比于只具有單種注意力機(jī)制，PSNR值提高了0.92dB以上，SSIM值提高了0.0018以上，F(xiàn)SIM提高了0.0061以上．此外，F(xiàn)ASB所構(gòu)建的密集連接結(jié)構(gòu)通過(guò)聚合運(yùn)算過(guò)程中各CAB的輸出信息有效抑制了信息的丟失，網(wǎng)絡(luò)整體與CAB中所使用的殘差結(jié)構(gòu)可以?xún)?yōu)化訓(xùn)練過(guò)程中的梯度，使模型獲得更好的訓(xùn)練效果，兩種結(jié)構(gòu)的使用使得模型性能進(jìn)一步改善，相比于未使用兩種結(jié)構(gòu)的情況，PSNR值提高了約3.58%～6.56%，SSIM值提高了約0.29%～0.69%，而FSIM提高了約0.64%～0.73%．由此可以看出，兩種注意力機(jī)制結(jié)合密集連接和殘差結(jié)構(gòu)是所提模型的最佳方案，進(jìn)一步證明其在低劑量能譜CT去噪領(lǐng)域的潛力．

表4?不同模塊與結(jié)構(gòu)下DCPAN的腹部和胸部切片測(cè)試結(jié)果客觀(guān)指標(biāo)

Tab.4?Evaluation index of abdomen and chest slice from DCPAN with different combination of blocks and structures

2.3.2?不同損失函數(shù)的影響

為了探究復(fù)合損失函數(shù)各部分對(duì)模型性能的改善程度，分別采用各項(xiàng)損失的不同組合來(lái)訓(xùn)練DCPAN模型，并選取腹部切片20～70keV能量區(qū)間下的測(cè)試圖像中具有組織細(xì)節(jié)和邊緣特征的部分作為ROI，如圖5(a)紅色線(xiàn)段標(biāo)注所示，包含64個(gè)像素，將測(cè)試結(jié)果中在該部分64個(gè)像素的值，即線(xiàn)性衰減系數(shù)(linear attenuation coefficient，LAC)，繪制為折線(xiàn)圖進(jìn)行對(duì)比，以對(duì)各損失函數(shù)組合的訓(xùn)練效果加以評(píng)估，對(duì)比結(jié)果如圖5(b)所示．可以看到通過(guò)1損失訓(xùn)練的測(cè)試結(jié)果在相對(duì)平滑部位的抖動(dòng)程度較少，但由于其過(guò)于平滑，邊緣部位的值與標(biāo)簽相比產(chǎn)生了較大的偏差．當(dāng)損失函數(shù)中加入特征感知損失后，可以看到在測(cè)試結(jié)果中，較為平滑的組織部位具有相對(duì)較小范圍數(shù)值變化，這說(shuō)明感知損失的加入有益于模型對(duì)細(xì)節(jié)特征信息敏感性的提升．而對(duì)于1損失與邊緣損失組合所訓(xùn)練的模型，測(cè)試圖像中邊緣部位準(zhǔn)確程度顯著提升，這說(shuō)明該損失組合提高了模型的邊緣特征學(xué)習(xí)能力，解決了重建圖像過(guò)度平滑所導(dǎo)致的邊緣不清晰等問(wèn)題．相比上述幾種方案的測(cè)試結(jié)果，使用由1損失、感知損失和邊緣損失構(gòu)成復(fù)合損失函數(shù)來(lái)訓(xùn)練模型可以獲得最接近標(biāo)簽圖像的處理效果，說(shuō)明損失函數(shù)中各部分優(yōu)勢(shì)和性能達(dá)到了均衡，證明了這種組合為最佳損失函數(shù)方案．

圖5　　不同損失函數(shù)下DCPAN的腹部切片衰減曲線(xiàn)

3?結(jié)?語(yǔ)

隨著輻射劑量的降低，能譜CT圖像內(nèi)噪聲含量的升高嚴(yán)重影響后續(xù)診斷工作中醫(yī)生對(duì)病灶組織的準(zhǔn)確觀(guān)察．因此，本文提出了一種具有密集連接結(jié)構(gòu)的網(wǎng)絡(luò)模型DCPAN以改善低劑量能譜CT圖像質(zhì)量．該模型使用了CA和PSA兩種注意力機(jī)制，通過(guò)結(jié)合空間和全局特征相關(guān)性來(lái)增強(qiáng)有效特征，從而使網(wǎng)絡(luò)能夠更多地關(guān)注與圖像高頻分量相關(guān)的特征信息．網(wǎng)絡(luò)的密集連接結(jié)構(gòu)通過(guò)特征復(fù)用有效地減少了圖像特征壓縮產(chǎn)生的信息丟失．監(jiān)督網(wǎng)絡(luò)訓(xùn)練的復(fù)合損失函數(shù)均衡了各損失函數(shù)的優(yōu)勢(shì)，其中1損失保證了輸出圖像與標(biāo)簽之間的逐像素對(duì)應(yīng)關(guān)系，感知損失抑制了圖像過(guò)于平滑導(dǎo)致的細(xì)節(jié)信息丟失，邊緣損失則進(jìn)一步改善了網(wǎng)絡(luò)對(duì)邊緣信息的敏感性.實(shí)驗(yàn)結(jié)果表明：DCPAN輸出的低噪聲圖像具有較為清晰的邊緣特征和更低的噪聲水平，主觀(guān)效果和客觀(guān)指標(biāo)均優(yōu)于其他對(duì)比方法，證明該方法能夠?qū)崿F(xiàn)低劑量能譜CT圖像的高質(zhì)量重建，具有一定的實(shí)際應(yīng)用潛力．在未來(lái)的工作中，使用來(lái)自更多的CT系統(tǒng)成像數(shù)據(jù)來(lái)訓(xùn)練所提出的網(wǎng)絡(luò)模型可以進(jìn)一步增強(qiáng)其實(shí)用性和泛化能力．

［1］ Wang J，Li T F，Lu H B，et al. Penalized weighted least-squares approach to sinogram noise reduction and image reconstruction for low-dose X-ray computed tomography[J]. IEEE Transactions on Medical Imaging，2006，25(10)：1272-1283.

［2］ Xie Q，Zeng D，Zhao Q，et al. Robust low-dose CT sinogram preprocessing via exploiting noise-generating mechanism[J]. IEEE Transactions on Medical Imaging，2017，36(12)：2487-2498.

［3］ Liu Y，Ma J H，F(xiàn)an Y，et al. Adaptive-weighted total variation minimization for sparse data toward low-dose X-ray computed tomography image reconstruction[J]. Physics in Medicine & Biology，2012，57(23)：7923-7956.

［4］ Yang C，Yin X D，Shi L Y，et al. Improving abdomen tumor low-dose CT images using a fast dictionary learning based processing[J]. Physics in Medicine & Biology，2013，58(16)：5803-5820.

［5］ Fumene F P，Vinegoni C，Gros J，et al. Block matching 3D random noise filtering for absorption optical projection tomography[J]. Physics in Medicine & Biology，2010，55(18)：5401-5415.

［6］ Wu W，Yu H，Chen P，et al. Dictionary learning based image-domain material decomposition for spectral CT[J]. Physics in Medicine and Biology，2020，65(24)：245006.

［7］ Liu Y，Wang J，Chen X，et al. A robust and fast non-local means algorithm for image denoising[J]. Journal of Computer Science and Technology，2008，23(2)：270-279.

［8］ Kang E，Min J，Ye J C. A deep convolutional neural network using directional wavelets for low-dose X-ray CT reconstruction[J]. Medical Physics，2017，44(10)：e360-e375.

［9］ Chen H，Zhang Y，Kalra M K，et al. Low-dose CT with a residual encoder-decoder convolutional neural network(RED-CNN)[J]. IEEE Transactions on Medical Imaging，2017，36(12)：2524-2535.

［10］ Liang T F，Jin Y，Li Y D，et al. EDCNN：Edge en-hancement-based densely connected network with com-pound loss for low-dose CT denoising[C]//International Conference on Signal Processing. Beijing，China，2020：193-198.

［11］ Zhang Y L，Li K P，Li K，et al. Image super-resolution using very deep residual channel attention networks[C]// Lecture Notes in Computer Science. Munich，Germany，2018：286-301.

［12］ Wang Y，Song X，Chen K. Channel and space attention neural network for image denoising[J]. IEEE Signal Progressing Letters，2021，28：424-428.

［13］ Wang X L，Girshick R，Gupta A，et al. Non-local neural networks[C]//IEEE Conference on Computer Vision and Pattern Recognition. Salt Lake City，USA，2018：7794-7803.

［14］ Yang Q，Yan P，Zhang Y，et al. Low-dose CT image denoising using a generative adversarial network with Wasserstein distance and perceptual loss[J]. IEEE Trans-actions on Medical Imaging，2018，37(6)：1348-1357.

［15］ Segars W P，Sturgeon G，Mendonca S，et al. 4D XCAT phantom for multimodality imaging research[J]. Medical Physics，2010，37(9)：4902-4915.

［16］ Shi Z，Yang H，Cong W，et al. An edge-on charge-transfer design for energy-resolved X-ray detection[J]. Physics in Medicine and Biology，2016，61(11)：4183-4200.

［17］ Zhang J，Zhou H L，Niu Y，et al. CNN and multi-feature extraction based denoising of CT images[J]. Quantitative Imaging in Medicine and Surgery，2021，67：102545.

［18］ 史再峰，李慧龍，程?明，等. 基于SDN-GMM網(wǎng)絡(luò)的低劑量雙能CT投影數(shù)據(jù)去噪方法[J]. 天津大學(xué)學(xué)報(bào)(自然科學(xué)與工程技術(shù)版)，2021，54(9)：899-906.

Shi Zaifeng，Li Huilong，Cheng Ming，et al. A projection data denoising method based on SDN-GMM network for low-dose dual-energy computed tomography[J]. Journal of Tianjin University(Science and Technology)，2021，54(9)：899-906(in Chinese).

Low Dose Spectral Computed Tomography Image-Based Denoising Method via DCPAN

Shi Zaifeng1, 2，Cheng Ming1，Ouyang Shunxin1，Kong Fanning1，Qi Junyu1，Tian Ying3

(1. School of Microelectronics，Tianjin University，Tianjin 300072，China；2. Tianjin Key Laboratory of Imaging and Sensing Microelectronic Technology，Tianjin 300072，China；3. Tianjin Renai College，Tianjin 301636，China)

Spectral computed tomography(CT)has good energy resolution，which makes it more accurate to identify tissue components and provides more precise detection information for subsequent diagnosis. As low dose require-ments increase，the noise in spectral CT images improves significantly，affecting imaging quality and reducing reso-lution accuracy. Although the denoising model based on a convolutional neural network(CNN)can reduce the noise level，with the increase of layers，the denoised images from deeper neural networks often have less high-frequency information. To solve this problem，the densely connected persistent attention network (DCPAN)is proposed in this paper，which adopts the channel attention mechanism(CA)and the persistent self-attention mechanism(PSA)，establishing the correlation of feature maps in the channel and global dimensions to improve the sensitivity of the network to the high-frequency components and thus suppress the loss of high-frequency information. The adopted densely connected structure realizes the retention of high-frequency information in feedforward propagation through feature multiplexing. During the period of training，a hybrid loss function is deployed to make the model more sensitive to edge and detailed information. The experimental results show that the peak signal to noise ratio，structural similarity，and feature similarity of abdomen slices are over 38.25dB，0.9937，and 0.9732. Compared with the current advanced methods，the method has a better denoising effect，and the tissue structure in the denoised images is clearer，giving a more accurate reference for the following diagnosis.

spectral computed tomography；low dose；convolutional neural network(CNN)；attention mechanism

10.11784/tdxbz202202012

TP391.4

A

0493-2137(2023)02-0184-09

2022-02-19；

2022-05-03.

史再峰（1977—??），男，博士，副教授.

史再峰，shizaifeng@tju.edu.cn.

國(guó)家自然科學(xué)基金資助項(xiàng)目(62071326)

Supported by the National Natural Science Foundation of China(No. 62071326).

(責(zé)任編輯：孫立華)