本文是IEEE TRANSACTIONS ON MEDICAL IMAGING 17年的作品，作者是荷兰的一个医学中心的人用gan来做LDCT的去燥，文章的亮点是体素级的设计，网络总结构如下图所示：
生成器是输入低剂量的CT图像，然后经过7个连续的卷积层输出图像中的噪声，然后用输入的低剂量图像减去噪声得到模拟高剂量图像。和普通的网络的不同是作者没有将CT作为图像处理，而是转化为体素值（HU）进行处理，除了最后一层其余的激活函数都是LRELu，权重初始化为（0，0.001）的正态分布。生成器部分的loss为：
上式第一部分是生成的虚拟高剂量与真实的LDCT之间的l2范数损失，第二部分是辨别器的分类值和是高剂量的二值交叉熵损失。然后根据两个参数，生成器的优化方式会有三种，如下图：
分类的标准就是将两个参数分别置零，我觉得作者这一步应该是想看看这个二值交叉熵损失到底好不好用的。
判别器部分输入生成器的输出和HDCT，经过卷积层，LReLu和sigmod之后输出判别结果：是（1）或者不是（0）。此部分的loss是：
两个二值交叉熵损失用于提升判断能力，这个交叉损失感觉会很有效。
数据集有两部分，SAGAN里也用到的Phantom CT Scans 和28名患者的心脏CT扫描图，都是有高低两种剂量标准的图像，衡量标准还是PSNR值，4095是HU值的最大相差范围：
作者在12G的英伟达GPU上训练，用Adam优化器，在theano上写的（跟作者要代码不给第N次）。
分别在三个生成器去燥的结果分别如下图所示：
可以看出交叉熵损失存在的G更拟合真实的高剂量图像。在Phantom CT Scans数据集上的结果如下：
上图中a是FBP的结果，b、c、d分别是使用G1（只有第一项）、G2（只有第二项）、G3（两项损失都有）生成器的结果，e是迭代重建的结果，f是常规剂量对比图。
上图是心脏数据集里4中ct图像下HU值的中值和偏差，这个统计应该是来显示去燥效果的。作者中文中并没有提到和其他试验方法的对比结果，但是三个生成器和体素级损失还是很有创意的。
�
网友评论