这篇文章就是WGAN的一个应用，2018 IEEE TRANSACTIONS ON MEDICAL IMAGING的文章，应用于低剂量CT的重建问题，文章模型总体结构如下：
作者应该是受到SRGAN的影响，将VGG的损失函数带到了网络里，不纯粹的使用MSE，而是利用WGAN的内在损失和VGG进行训练。
是NDCT的样本，那目的就是找到一个映射函数G，完成去噪的功能：
另外一个角度也可以看作z的样本空间Pl，想要通过G映射到另一个样本空间Pg，使得Pg无限接近真实样本空间Pr。这个说法就是更好的拟合WGAN的。
Loss：
WGAN里判别器的loss就如下，最后是惩罚项：
然后生成器部分的loss如下式，没有了log：
为了保证生成器部分能够产生高剂量CT，作者增加了感知损失来限制，就是上述模型里的part2，一般的去噪模型在这里都是用的MSE，如下和ground truth之间loss：
但MSE的效果并不好，可能会产生模糊的图像并导致细节失真或丢失，所以作者尝试了特征空间中定义的loss函数：
其中φ是特征提取器，whd是特征空间的宽、高、深度，本文中采用了VGG-19作为特征提取器，所以感知loss是
网络结构：
整体结构就如上图所示，part1生成器部分8个卷积层的CNN用于进行CT图像的重建；part2感知损失结构用预训练好的VGG-19将生成器生成的图像G(z)和ground truth（x）喂到VGG里用于特征提取，然后根据上式更新生成器的权重；part3判别器网络，结构如下图所示，6个卷积层，3*3的卷积核，最后一层没有sigmod。
最终生成网络的loss是part1、2的和：
判别网络的损失就是公式4，为了证明VGG的有效性，作者还对比了4个不同的loss，分别是：
实验：
作者采用的数据集和我所用的一样，在4k张CT中随机抽取100096对patch，尺寸是64*64，我是用的40*40的，采用Adam进行优化（WGAN里不建议用这个），batchsize是128，在对比四种生成器的loss实验里，结果如下图：
不同指标下几个loss正好是相反的，但一开始loss都是下降所用应该是正相关，在MSE下，网络loss递增方向是：CNN-MSE<WGAN-MSE<WGAN-VGG<CNN-VGG，在VGG下，网络loss递增方向正好相反。在定量测量下，PSNR和SSIM结果如下表：
实验的CT重建结果如下：
�
网友评论