基于渐进式网络处理的低剂量Micro-CT成像方法

微米级计算机断层扫描（Micro-CT）的应用领域很广泛,在生物医学、材料科学等都有研究,而且最近几年的发展很迅速。Micro-CT图像常因辐射剂量的限制而出现噪声,所以开发一种合适的算法来抑制Micro-CT图像中噪声变得很重要。Micro-CT图像的噪声水平与扫描样本、扫描参数等参数有关,合适的噪声抑制算法应该在不同噪声水平下都有不错的性能。过去Micro-CT图像的噪声抑制算法主要是迭代重建算法,但迭代重建算法速度比较慢。深度学习方法作为近些年比较热门的图像处理方法,在临床低剂量CT图像处理上相比于传统方法效果更好、处理速度更快,有进一步在低剂量Micro-CT图像处理中应用的潜力。另外,生成对抗网络在保持图像细节上有着比卷积神经网络更好的效果,本文构建普通卷积神经网络与生成对抗网络,用于对比两者的性能差异。限制于放射源的功率,低噪声的Micro-CT数据难以获取,提出一种创新的扫描方式,可有效获取低噪声的Micro-CT数据,并对实验小鼠的进行了扫描。针对低剂量Micro-CT中较高的噪声,结合Micro-CT的成像原理,提出渐进式的低剂量Micro-CT图像处理方法,分别在解析重建前后对小鼠的Micro-CT图像进行两次处理。相比于只在断层图像上处理,渐进式方法对高噪声数据的处理效果更好。从客观指标与主观视觉效果上,分析和对比了渐进式方法与其他深度学习方法或迭代重建算法的差别。定量分析不同噪声水平下的Micro-CT图像的处理效果,分析生成对抗网络在渐进式Micro-CT图像处理中的优势与限制。渐进式Micro-CT图像处理方法生成的图像质量高、生成速度快、鲁棒性高、客观指标高,可以对进一步的高级应用如图像分割、图像三维可视化等提供帮助。