计算机应用

作者：张艳娇, 乔志伟

单位：山西大学 计算机与信息技术学院, 太原030006

关键词：稀疏重建,条状伪影,卷积神经网络,UNet,多残差UNet

基金：国家自然科学基金面上项目（62071281）；山西省重点研发计划项目（201803D421012）；山西省回国留学人员科研资助项目（2020?008）；山西省留学人员科技活动择优资助项目（RSC1622）。

为了解决计算机断层成像（CT）稀疏解析重建过程中产生条状伪影的问题，在经典的UNet网络结构的基础上，提出了多残差UNet （Mr-UNet）网络结构，以更好地压制条状伪影。首先，用传统滤波反投影（FBP）解析重建算法稀疏重建出含条状伪影的稀疏图像；然后，将该类图像作为网络结构的输入，且将相对应的高精度图像作为网络的标签进行训练，使得该网络具有很好的压制条状伪影的性能；最后，将经典UNet原先的四层下采样加深到五层，并在模型中引入残差学习机制将每个卷积单元构建为残差结构，从而提升网络的训练性能。实验中采用了2 000对大小为256×256的含条状伪影图像和对应的高精度图像作为数据集，其中，1 900对作为训练集，50对作为验证集，其余的作为测试集来训练网络，并验证、评估网络性能。实验结果表明，与传统的总变差（TV）最小化算法及经典的UNet深度学习方法的比较表明，所提模型重建图像的均方根误差（RMSE）平均降低了约0.002 5，结构相似度（SSIM）平均提高了约0.003，且能更好地保留图像纹理和细节信息。

来源：2021年第10期

《计算机应用》期刊编辑部

查看计算机应用杂志2021年第10期