1、低剂量CT图像降噪的深度图像先验的目标偏移加速算法曾 理*熊西林 陈 伟(重庆大学数学与统计学院 重庆 401331)(重庆大学工业CT无损检测教育部工程研究中心 重庆 400044)(陆军军医大学第一附属医院(重庆西南医院)放射科 重庆 400038)摘 要：低剂量CT(LDCT)图像可大幅降低X射线辐射剂量，但存在大量噪声影响医生诊断。深度图像先验(DIP)是用随机张量作为神经网络的输入图像，以单张LDCT图像为目标进行迭代的无监督深度学习算法。但DIP方法需经过上千次的网络迭代才能得到最佳降噪结果，导致该方法运行速度过慢。因此，该文提出一种用于LDCT降噪的目标偏移DIP加速算法，旨在保
2、持降噪图像质量的基础上提高运行速度。根据一个器官(如肺部)LDCT切片序列图像的相似性，该算法将以各切片分别作为目标图像对应的相互独立的网络迭代通过继承参数关联起来，在上一切片对应的网络参数的基础上更新当前切片对应的网络参数，并将当前切片对应的网络参数作为下一切片对应的网络迭代的基础；由于DIP网络的输入是固定的随机张量，与目标图像差距较大，该文利用传统降噪模型预处理后的LDCT图像作为网络输入，进一步提高网络迭代速度。实验表明，不使用传统模型预处理时，与原DIP网络运行速度相比，该文所提出的加速算法可以将迭代速度提高10.45%；当使用经过相对全变分(RTV)模型预处理的LDCT作为网络输入
3、时，图像峰值信噪比不仅可以达到29.13，而且总迭代速度可以提高94.31%。综上所述，该文算法可在保持DIP降噪效果的基础上，大幅度提高运行速度，特别是RTV模型预处理后的CT图像作为网络输入时，对提高运行速度的效果更加明显。关键词：图像降噪；低剂量CT；深度学习；深度图像先验；加速算法中图分类号：TP391.41文献标识码：A文章编号：1009-5896(2023)06-2188-09DOI:10.11999/JEIT220551Deep Image Prior Acceleration Method for Target Offsetin Low-dose CT Images Denoi
4、singZENG Li XIONG Xilin CHEN Wei(College of Mathematics and Statistics,Chongqing University,Chongqing 401331,China)(Engineering Research Center of Industrial Computed Tomography Nondestructive Testing of the EducationMinistry of China,Chongqing University,Chongqing 400044,China)(Department of Radiol
5、ogy,Southwest Hospital,Army Medical University,Chongqing 400038,China)Abstract:Low Dose CT(LDCT)images can significantly reduce the X-ray radiation dose,but there is a lot ofnoise that affects doctors diagnosis.Deep Image Prior(DIP)is an unsupervised deep learning algorithm thatuses random tensor as
6、 the input of neural network and iterates with a single LDCT image as the target.However,DIP needs thousands of iterations to get the best denoised results,resulting in the slow running speedof this method.Therefore,a DIP acceleration method for target offset in low-dose CT images is proposed,which
7、aims to improve the running speed while maintaining the quality of denoised image.According to thesimilarity of LDCT slice images of an organ(such as lungs),the algorithm associates independent networkswhose target images are different slices by inheriting parameters,updates the network parametersco
8、rresponding to the current slice based on the network parameters corresponding to the previous slice,and 收稿日期：2022-05-05；改回日期：2022-10-14；网络出版：2022-10-21*通信作者：曾理基金项目：国家自然科学基金(61771003)，重庆市研究生科研创新项目(CYS19026)Foundation Items:The National Natural Science Foundation of China(61771003),Graduate Scientifi
9、c Research and Innovation Founda-tion of Chongqing(CYS19026)第45卷第6期电 子 与 信 息 学 报Vol.45No.62023年6月Journal of Electronics&Information TechnologyJun.2023takes the network parameters corresponding to the current slice as the basis of next network corresponding tonext slice to update parameters;Since the
10、 input of DIP network is a fixed random tensor,which is differentfrom the target image greatly,this paper uses the LDCT image preprocessed by the traditional models as thenetwork input to further improve the network iteration speed.Experiments show that the proposed accelerationalgorithm can improve
11、 the iteration speed by 10.45%compared with the original DIP network withouttraditional model preprocessing.When LDCT preprocessed by Relative Total Variation(RTV)model is used asthe network input,the image peak signal-to-noise ratio can not only reach 29.13,but also the total iterativespeed can be
12、increased by 94.31%.Therefore,this algorithm can greatly improve the running speed whilemaintaining the denoised quality of DIP,especially when the CT image preprocessed by RTV model is used asthe network input,the effect of improving the running speed is more obvious.Key words:Image denoising;Low D
13、ose CT(LDCT);Deep learning;Deep image prior;Acceleration method 1 引言计算机断层切片成像(Computed Tomography,CT)的原理是用X射线对人或者物体进行透射扫描并旋转一周，由探测器接收X射线，将经过信号转换后得到数字投影数据，用CT图像重建算法重建出CT图像。X射线的剂量与成像质量息息相关，剂量增加可能会对人体产生危害，剂量降低可能会影响医生的诊断。具体来说，噪声增加是导致CT图像质量降低的主要因素之一，而低剂量CT图像带有大量的噪声。强大的噪声可能会掩盖潜在的低对比度病变，这将导致诊断疾病或指导手术变得困难。因
14、此，通常需要一个去噪器来有效地抑制噪声，同时尽可能地保持图像分辨率，从而提高图像质量。因此如何在降低CT图像中X射线剂量的基础上，兼顾去伪影、去噪和增强医生对CT图像的可阅读性，是当下面临的严峻挑战1。由于在医学图像中很难找到对应的干净(无噪声)CT图，因此本文将低剂量CT(Low-Dose CT,LDCT)图像去噪后的结果与正常剂量CT(Normal-Dose CT,ND-CT)图像作对比，进而分析降噪效果的优劣。传统的图像降噪模型中，应用最广泛的全变分(Total-Variation,TV)模型是由Rudin等人2提出的降噪模型。随着迭代次数的增加，图像平坦区域会出现灰度相同，即块状图像，
15、这一现象就是“阶梯效应”。TV模型的缺陷在于其不符合图像处理的形态学原则3，直接表现为其稳态解会出现阶梯效应。为改善TV模型，Xu等人4提出了相对全变分(Relative Total Variation,RTV)模型来捕捉图像的结构特征。该方法使噪声和结构表现出不同的性质，使它们更容易分开处理，可以更有效地处理噪声，保护结构边缘。传统模型可以一定程度上去除噪声并保持结构信息，但是随着迭代次数的增加，仍会出现细节丢失与边缘模糊等现象，所以基于深度学习的图像降噪算法的出现就显得尤为重要。随着以人工智能特别是深度学习为主导的计算新时代的出现，医学图像重建和处理领域发生了革命性的变化，新一代人工智能图
16、像增强工具在医学图像上广泛应用。目前出现了很多关于图像去噪的监督学习算法，如Zhang等人5提出了一种将批量归一化方法集成到残差学习框架DnCNN等。但有监督的深度学习方法需要大量精确配对的正常剂量CT图像和低剂量CT图像进行训练，从而给实际应用带来困难。Moran等人6提出了一种无需真实图像(ground truth，即无噪声对应图像)的训练神经网络的方法Nr2N(Noisier2Noise)，通过估计出图像噪声来得到重建图像，但低剂量CT图像的噪声类型主要是泊松噪声。Yie等人7探讨了基于测量的PET(正电子成像)数据集进行PET图像去噪的自监督方法的可行性，只使用单个噪声数据集训练的Nr2N网络在保持纹理的同时能够有效降低噪声，但不太适用于低剂量CT图像。深度图像先验(Deep Image Prior,DIP)8即使只在单张损坏图像上进行反复迭代，也同样能学习到图像的结构信息，进而完成图像修复。由于DIP是从头开始训练的，对输入图像之外的图像统计数据的访问权限有限，这限制了在图像着色等任务中的适用性9，且DIP网络的迭代速度过慢并缺少停止准则。Dittmer等人10将DIP方法视
