基于全变分正则项展开的迭代去噪网络

doi:10.11772/j.issn.1001-9081.2023030376

《计算机应用》唯一官方网站 ›› 2024, Vol. 44 ›› Issue (3): 916-921.DOI: 10.11772/j.issn.1001-9081.2023030376

• 多媒体计算与计算机仿真 • 上一篇下一篇

基于全变分正则项展开的迭代去噪网络

侯瑞峰¹^,², 张鹏程¹^,²(), 张丽媛¹^,², 桂志国¹^,², 刘祎¹^,², 张浩文¹^,², 王书斌¹^,²

^1.中北大学信息与通信工程学院，太原 030051
^2.生物医学成像与影像大数据山西省重点实验室（中北大学），太原 030051

收稿日期:2023-04-06 修回日期:2023-07-03 接受日期:2023-07-04 发布日期:2023-07-31 出版日期:2024-03-10
通讯作者: 张鹏程
作者简介:侯瑞峰（1998—），男，河北邢台人，硕士研究生，主要研究方向：医学图像重建、医学图像处理
张丽媛（1990—），女，河北石家庄人，讲师，博士，主要研究方向：放射治疗方案优化、医学图像处理
桂志国（1972—），男，天津人，教授，博士，主要研究方向：信号与信息处理、放射治疗方案优化、图像重建
刘祎（1987—），女，河南商丘人，副教授，博士，主要研究方向：医学图像重建、医学图像分析
张浩文（1998—），男，江苏常州人，硕士研究生，主要研究方向：医学图像重建、医学图像处理
王书斌（1997—），男，山西晋城人，硕士研究生，主要研究方向：医学图像处理。
基金资助:
山西省应用基础研究基金资助项目(201901D211246);山西省回国留学人员科研资助项目(2021-111)

Iterative denoising network based on total variation regular term expansion

Ruifeng HOU¹^,², Pengcheng ZHANG¹^,²(), Liyuan ZHANG¹^,², Zhiguo GUI¹^,², Yi LIU¹^,², Haowen ZHANG¹^,², Shubin WANG¹^,²

^1.College of Information and Communication Engineering，North University of China，Taiyuan Shanxi 030051，China
^2.Shanxi Provincial Key Laboratory for Biomedical Imaging and Big Data （North University of China），Taiyuan Shanxi 030051，China

Received:2023-04-06 Revised:2023-07-03 Accepted:2023-07-04 Online:2023-07-31 Published:2024-03-10
Contact: Pengcheng ZHANG
About author:HOU Ruifeng， born in 1998， M. S. candidate. His research interests include medical image reconstruction， medical image processing.
ZHANG Liyuan， born in 1990， Ph. D.， lecturer. Her research interests include radiotherapy program optimization， medical image processing.
GUI Zhiguo， born in 1972， Ph. D.， professor. His research interests include signal and information processing， radiotherapy program optimization， image reconstruction.
LIU Yi， born in 1987， Ph. D.， associate professor. Her research interests include medical image reconstruction， medical image analysis.
ZHANG Haowen， born in 1998， M. S. candidate. His research interests include medical image reconstruction， medical image processing.
WANG Shubin， born in 1997， M. S. candidate. His research interests include medical image processing.
Supported by:
Shanxi Provincial Applied Basis Research Fund(201901D211246);Scientific Research Funding Project for Returned Overseas Students of Shanxi Province(2021-111)

摘要/Abstract

摘要：

针对神经网络训练存在解释能力差以及不稳定问题，提出一种基于CP （Chambolle-Pock）算法求解的全变分（TV）正则项展开去噪网络（CPTV-Net），用于解决低剂量计算机断层扫描（LDCT）图像去噪问题。首先，向L1正则项模型引入TV约束项，以保留图像的结构信息；其次，采用CP算法对去噪模型进行求解并得出具体迭代步骤，保证算法的收敛性；最后，借助浅层卷积神经网络学习线性操作的原始对偶变量迭代公式，用神经网络计算模型的解，并通过收集网络参数优化合并数据。在模拟和真实LDCT数据集上的实验结果表明，与残差编码器-解码器卷积神经网络（REDCNN）、TED-Net（Transformer Encoder-decoder Dilation Network）等五种先进的去噪方法相比，CPTV-Net具有较优的峰值信噪比（PSNR）、结构相似度（SSIM）和视觉信息保真度（VIF）评估值，能生成去噪效果明显和细节保留最为完整的LDCT图像。

关键词: 计算机断层扫描, 模型驱动, 原始对偶算法, 卷积神经网络, 图像去噪

Abstract:

For the shortcomings of poor interpretation ability and instability in neural network training， a Chambolle- Pock （CP） algorithm optimized denoising network based on Total Variational （TV） regularization， CPTV-Net， was proposed to solve the denoising problem of Low-Dose Computed Tomography （LDCT） images. Firstly， the TV constraint term was introduced into the L1 regularization term model to preserve the structural information of the image. Secondly， the CP algorithm was used to solve the denoising model and obtain specific iterative steps to ensure the convergence of the algorithm. Finally， the shallow CNN （Convolutional Neural Network） was used to learn the iterative formula of the primal dual variables of the linear operation. The neural network was used to calculate the solution of the model， and the network parameters were collected to optimize the combined data. The experimental results on simulated and real LDCT datasets show that compared with five advanced denoising methods such as REDCNN （Residual Encoder-Decoder Convolutional Neural Network） and TED-Net （Transformer Encoder-decoder Dilation Network）， CPTV-Net has the best Peak Signal-to-Noise Ratio （PSNR）， Structural SIMilarity （SSIM）， and Visual Information Fidelity （VIF） evaluation values， and can generate LDCT images with significant denoising effect and the most details preserved.

Key words: Computed Tomography (CT), model-driven, primal dual algorithm, Convolutional Neural Network (CNN), image denoising

中图分类号:

TP391.41

侯瑞峰, 张鹏程, 张丽媛, 桂志国, 刘祎, 张浩文, 王书斌. 基于全变分正则项展开的迭代去噪网络[J]. 计算机应用, 2024, 44(3): 916-921.

Ruifeng HOU, Pengcheng ZHANG, Liyuan ZHANG, Zhiguo GUI, Yi LIU, Haowen ZHANG, Shubin WANG. Iterative denoising network based on total variation regular term expansion[J]. Journal of Computer Applications, 2024, 44(3): 916-921.

图/表 8

图1 CPTV-Net方法的N次迭代网络结构

Fig. 1 Network structure of N iterations in proposed CPTV-Net method

图2 不同方法对Mayo数据集下腹部1的去噪效果

Fig. 2 Denoising effects of different methods on abdominal 1 in Mayo dataset

图3 不同方法对Mayo数据集下腹部2的去噪效果

Fig. 3 Denoising effects of different methods on abdominal 2 in Mayo dataset

图4 不同方法对Mayo数据集下胸部的去噪效果

Fig. 4 Denoising effects of different methods on chest in Mayo datasets

表1 不同方法在Mayo数据集上图像质量定量分析（均值±标准差）

Tab. 1 Quantitative analysis of image quality using different methods on Mayo dataset （mean ± standard deviation）

方法	PSNR/dB	SSIM	VIF
LDCT	27.876±1.311	0.585±0.055	0.326±0.055
BM3D	32.956±1.044	0.744±0.044	0.511±0.051
REDCNN	34.101±1.155	0.802±0.044	0.574±0.055
EDCNN	33.755±1.143	0.808±0.035	0.513±0.055
CNCL	33.745±1.074	0.801±0.034	0.565±0.043
TED-Net	33.955±1.141	0.803±0.035	0.565±0.050
CPTV-Net	34.499±1.152	0.815±0.034	0.643±0.041

图5 不同方法在Mayo数据集下腹部1与NDCT的差值图

Fig. 5 Difference images between abdominal 1 and NDCT in Mayo dataset processed by different methods

图6 不同方法在Piglet数据集上LDCT的去噪效果

Fig. 6 Denoising effect of different methods on LDCT in Piglet dataset

表2 不同方法在Piglet数据集上图像质量定量分析（均值±标准差）

Tab. 2 Quantitative analysis of image quality using different methods on Piglet dataset （mean ± standard deviation）

方法	PSNR/dB	SSIM	VIF
LDCT	31.630±2.160	0.904±0.030	0.359±0.055
BM3D	32.549±2.214	0.929±0.022	0.442±0.055
REDCNN	32.847±2.218	0.932±0.021	0.464±0.048
EDCNN	32.665±2.207	0.925±0.023	0.424±0.050
CNCL	31.947±1.934	0.929±.0244	0.399±0.047
TED-Net	32.914±2.303	0.932±0.021	0.458±0.049
CPTV-Net	33.466±2.288	0.937±0.020	0.496±0.051

参考文献 27

1	TIAN C， FEI L， ZHENG W， et al. Deep learning on image denoising： an overview ［J］. Neural Networks， 2020， 131： 251-275. 10.1016/j.neunet.2020.07.025
2	FERUGLIO P F， VINEGONI C， GROS J， et al. Block matching 3D random noise filtering for absorption optical projection tomography ［J］. Physics in Medicine and Biology， 2010， 55（18）： 5401-5415. 10.1088/0031-9155/55/18/009
3	MEI Y， FAN Y， ZHOU Y. Image super-resolution with non-local sparse attention ［C］// Proceedings of the 2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2021： 3517-3526. 10.1109/cvpr46437.2021.00352
4	CAI W， JIANG J， OUYANG S. Hyperspectral image denoising using adaptive weight graph total variation regularization and low-rank matrix recovery ［J］. IEEE Geoscience and Remote Sensing Letters， 2021， 19： 5509805. 10.1109/lgrs.2021.3113078
5	WANG Z， QIAN C， GUO D， et al. One-dimensional deep low-rank and sparse network for accelerated MRI ［J］. IEEE Transactions on Medical Imaging， 2023， 42（1）： 79-90. 10.1109/tmi.2022.3203312
6	ZHANG K， GAO X， TAO D， et al. Single image super-resolution with non-local means and steering kernel regression ［J］. IEEE Transactions on Image Processing， 2012， 21（11）： 4544-4556. 10.1109/tip.2012.2208977
7	LIU P， ZHANG H， ZHANG K， et al. Multi-level wavelet-CNN for image restoration ［C］// Proceedings of the 2018 IEEE Conference on Computer Vision and Pattern Recognition Workshops. Piscataway： IEEE， 2018： 773-782. 10.1109/cvprw.2018.00121
8	CHEN H， ZHANG Y， KALRA M K， et al. Low-dose CT with a residual encoder-decoder convolutional neural network ［J］. IEEE Transactions on Medical Imaging， 2017， 36（12）： 2524-2535. 10.1109/tmi.2017.2715284
9	LIANG T， JIN Y， LI Y， et al. EDCNN： edge enhancement-based densely connected network with compound loss for low-dose CT denoising ［C］// Proceedings of the 2020 15th IEEE International Conference on Signal Processing. Piscataway： IEEE， 2020： 193-198. 10.1109/icsp48669.2020.9320928
10	GENG M， MENG X， YU J， et al. Content-noise complementary learning for medical image denoising ［J］. IEEE Transactions on Medical Imaging， 2021， 41（2）： 407-419. 10.1109/tmi.2021.3113365
11	WANG D， WU Z， YU H. TED-Net： Convolution-free T2T Vision Transformer-based encoder-decoder dilation network for low-dose CT denoising ［C］// Proceedings of the 2021 International Workshop on Machine Learning in Medical Imaging. Cham： Springer， 2021： 416-425. 10.1007/978-3-030-87589-3_43
12	MONGA V， LI Y， ELDAR Y C. Algorithm unrolling： interpretable， efficient deep learning for signal and image processing ［J］. IEEE Signal Processing Magazine， 2021， 38（2）： 18-44. 10.1109/msp.2020.3016905
13	XIA W， SHAN H， WANG G， et al. Synergizing physics/model-based and data-driven methods for low-dose CT ［EB/OL］. ［2022-07-01］. . 10.1109/msp.2022.3204407
14	YANG Y， SUN J， LI H， et al. ADMM-CSNet： a deep learning approach for image compressive sensing ［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2020， 42（3）： 521-538. 10.1109/tpami.2018.2883941
15	ADLER J， ÖKTEM O. Learned primal-dual reconstruction ［J］. IEEE Transactions on Medical Imaging， 2018， 37（6）： 1322-1332. 10.1109/tmi.2018.2799231
16	YOU D， XIE J， ZHANG J. ISTA-NET++： flexible deep unfolding network for compressive sensing ［C］// Proceedings of the 2021 IEEE International Conference on Multimedia and Expo. Piscataway： IEEE， 2021： 1-6. 10.1109/icme51207.2021.9428249
17	RUDIN L I， OSHER S， FATEMI E. Nonlinear total variation based noise removal algorithms ［J］. Physica D： Nonlinear Phenomena， 1992， 60（1-4）： 259-268. 10.1016/0167-2789(92)90242-f
18	TIAN C， ZHENG M， ZUO W， et al. Multi-stage image denoising with the wavelet transform ［J］. Pattern Recognition， 2023， 134： 109050. 10.1016/j.patcog.2022.109050
19	LI J， ZHU Q， WU Y， et al. Image reconstruction based on deep iterative shrinkage network ［C］// Proceedings of the 2021 6th International Conference on Image， Vision and Computing. Piscataway： IEEE， 2021： 259-263. 10.1109/icivc52351.2021.9526952
20	王心，朱浩华，刘光灿.卷积鲁棒主成分分析［J］.计算机应用，2021，41（5）：1314-1318.
	WANG X， ZHU H H， LIU G C. Convolution robust principal component analysis ［J］. Journal of Computer Applications， 2021， 41（5）： 1314-1318.
21	CHAMBOLLE A， POCK T. A first-order primal-dual algorithm for convex problems with applications to imaging ［J］. Journal of Mathematical Imaging and Vision， 2011， 40： 120-145. 10.1007/s10851-010-0251-1
22	PELT D M， BATENBURG K J. Improving filtered backprojection reconstruction by data-dependent filtering ［J］. IEEE Transactions on Image Processing， 2014， 23（11）： 4750-4762. 10.1109/tip.2014.2341971
23	席雅睿，乔志伟，温静，等.基于Chambolle-Pock算法框架的高阶TV图像重建算法［J］.计算机应用，2020，40（6）：1793-1798.
	XI Y R， QIAO Z W， WEN J， et al. High order TV image reconstruction algorithm based on Chambolle-Pock algorithm framework ［J］. Journal of Computer Applications， 2020， 40（6）： 1793-1798.
24	MEINHARDT T， MOELLER M， HAZIRBAS C， et al. Learning proximal operators： using denoising networks for regularizing inverse imaging problems ［C］// Proceedings of the 2017 IEEE International Conference on Computer Vision. Piscataway： IEEE， 2017： 1781-1790. 10.1109/iccv.2017.198
25	HORÉ A， ZIOU D. Image quality metrics： PSNR vs. SSIM ［C］// Proceedings of the 2010 20th International Conference on Pattern Recognition. Piscataway： IEEE， 2010： 2366-2369. 10.1109/icpr.2010.579
26	SHEIKH H R， BOVIK A C. Image information and visual quality［J］. IEEE Transactions on Image Processing， 2006， 15（2）： 430-444. 10.1109/tip.2005.859378
27	American Association of Physicists in Medicine. Low dose CT grand challenge ［DS/OL］. ［2021-04-20］. . 10.1118/1.4957556

[1]	王杰, 孟华. 基于点云整体拓扑结构的图像分类算法[J]. 《计算机应用》唯一官方网站, 2024, 44(4): 1107-1113.
[2]	陈天华, 朱家煊, 印杰. 基于注意力机制的鸟类识别算法[J]. 《计算机应用》唯一官方网站, 2024, 44(4): 1114-1120.
[3]	许立君, 黎辉, 刘祖阳, 陈侃松, 马为駽. 基于3D‑Ghost卷积神经网络的脑胶质瘤MRI图像分割算法3D‑GA‑Unet[J]. 《计算机应用》唯一官方网站, 2024, 44(4): 1294-1302.
[4]	唐瑶瑶, 朱叶晨, 刘仰川, 高欣. CT图像环形伪影去除方法研究现状及展望[J]. 《计算机应用》唯一官方网站, 2024, 44(3): 890-900.
[5]	董永峰, 白佳明, 王利琴, 王旭. 融合先验知识和字形特征的中文命名实体识别[J]. 《计算机应用》唯一官方网站, 2024, 44(3): 702-708.
[6]	周景贤, 李希娜. 基于改进卷积神经网络和射频指纹的无人机检测与识别[J]. 《计算机应用》唯一官方网站, 2024, 44(3): 876-882.
[7]	荆智文, 张屿佳, 孙伯廷, 郭浩. 二阶段孪生图卷积神经网络推荐算法[J]. 《计算机应用》唯一官方网站, 2024, 44(2): 469-476.
[8]	张睿, 宋思琪, 胡静, 张永梅, 柴艳峰. 基于统计和自适应ParNet的产学研绩效评价[J]. 《计算机应用》唯一官方网站, 2024, 44(2): 628-637.
[9]	张家伟, 高冠东, 肖珂, 宋胜尊. 基于改进分层注意网络和TextCNN联合建模的暴力犯罪分级算法[J]. 《计算机应用》唯一官方网站, 2024, 44(2): 403-410.
[10]	王星, 刘贵娟, 陈志豪. 高斯混合模型与文本图卷积网络结合的虚假评论识别算法[J]. 《计算机应用》唯一官方网站, 2024, 44(2): 360-368.
[11]	高芸芸, 赵腊生, 张强. 基于双向长短时记忆和卷积Transformer的声学词嵌入模型[J]. 《计算机应用》唯一官方网站, 2024, 44(1): 123-128.
[12]	陈豪, 夏振平, 程成, 林李兴, 张博文. 基于Transformer-CNN的轻量级图像超分辨率重建网络[J]. 《计算机应用》唯一官方网站, 2024, 44(1): 292-299.
[13]	郭晓, 陈艳平, 唐瑞雪, 黄瑞章, 秦永彬. 融合行为词的罪名预测多任务学习模型[J]. 《计算机应用》唯一官方网站, 2024, 44(1): 159-166.
[14]	尚绍法, 蒋林, 李远成, 朱筠. 异构平台下卷积神经网络推理模型自适应划分和调度方法[J]. 《计算机应用》唯一官方网站, 2023, 43(9): 2828-2835.
[15]	路琨婷, 费蓉蓉, 张选德. 融合卷积神经网络的遥感图像全色锐化[J]. 《计算机应用》唯一官方网站, 2023, 43(9): 2963-2969.

基于全变分正则项展开的迭代去噪网络

Iterative denoising network based on total variation regular term expansion

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 8

参考文献 27

相关文章 15

编辑推荐

Metrics