一种多尺度GAN的低剂量CT超分辨率重建方法

摘要

低剂量CT可以降低X射线辐射、减少对人体的伤害,但成像质量也会显著下降。为得到具有精细结构细节的高质量成像,提出一种基于多尺度残差生成网络的低剂量CT图像超分辨率重建算法,在保持病理不变情况下,从低分辨率图像中恢复高分辨率图像。首先,多尺度网络可以充分利用不同大小图像特征,丰富图像细节信息,提高重建过程中对特征的利用率;其次,引入残差网络,在实现特征重复利用的同时能够很好地防止过拟合现象;最后,将对抗损失和内容损失相结合,约束特征生成的同时能够获得感知质量更好的重建图像。结果表明,该方法在结构相似性、特征相似性、峰值信噪比指标上分别约提高0.047、0.0228和1.962,算法的IS、FID、SWD性能也比其他两种基于生成对抗网络算法要好,并且在边缘轮廓细节面有更好的表现。为了验证内容损失的有效性,将MSRGAN和其3种变化模型进行比较:MSRGAN相对其变化模型在结构相似性指标平均高出4%,特征相似性指标平均高出3.1%,峰值信噪比指标平均高出17.4%,说明了这种损失函数能够提高超分辨率图像的感知质量,充分证明所提算法的有效性。