基于双编码器双解码器GAN的低剂量CT降噪模型

doi:10.11772/j.issn.1001-9081.2024010039

《计算机应用》唯一官方网站 ›› 2025, Vol. 45 ›› Issue (2): 624-632.DOI: 10.11772/j.issn.1001-9081.2024010039

• 多媒体计算与计算机仿真 • 上一篇

基于双编码器双解码器GAN的低剂量CT降噪模型

上官宏¹^,²(), 任慧莹¹, 张雄¹, 韩兴隆¹, 桂志国², 王燕玲²^,³

^1.太原科技大学电子信息工程学院，太原 030024
^2.动态测试技术省部共建国家重点实验室（中北大学），太原 030051
^3.山西财经大学信息学院，太原 030006

收稿日期:2024-01-16 修回日期:2024-04-13 接受日期:2024-04-15 发布日期:2024-05-09 出版日期:2025-02-10
通讯作者: 上官宏
作者简介:任慧莹（1998—），女，黑龙江齐齐哈尔人，硕士研究生，主要研究方向：医学图像处理、深度学习
张雄（1973—），男，山西神池人，教授，硕士，主要研究方向：模式识别、医学图像处理、视频目标跟踪
韩兴隆（1995—），男，河南禹州人，硕士，主要研究方向：医学图像处理、深度学习
桂志国（1972—），男，天津蓟州人，教授，博士，主要研究方向：图像处理、图像重建
王燕玲（1981—），女，山西吕梁人，讲师，博士，主要研究方向：图像处理、数据分析。
基金资助:
国家自然科学基金资助项目(62001321);山西省基础研究计划项目(202103021224265);太原科技大学研究生教育创新项目(SY2022015)

Low-dose CT denoising model based on dual encoder-decoder generative adversarial network

Hong SHANGGUAN¹^,²(), Huiying REN¹, Xiong ZHANG¹, Xinglong HAN¹, Zhiguo GUI², Yanling WANG²^,³

^1.School of Electronic Information Engineering，Taiyuan University of Science and Technology，Taiyuan Shanxi 030024，China
^2.State Key Laboratory of Dynamic Measurement Technology （North University of China），Taiyuan Shanxi 030051，China
^3.School of Information，Shanxi University of Finance and Economics，Taiyuan Shanxi 030006，China

Received:2024-01-16 Revised:2024-04-13 Accepted:2024-04-15 Online:2024-05-09 Published:2025-02-10
Contact: Hong SHANGGUAN
About author:REN Huiying， born in 1998， M. S. candidate. Her research interests include medical image processing， deep learning.
ZHANG Xiong， born in 1973， M. S.， professor. His research interests include pattern recognition， medical image processing， video target tracking.
HAN Xinglong， born in 1995， M. S. His research interests include medical image processing， deep learning.
GUI Zhiguo， born in 1972， Ph. D.， professor. His research interests include image processing， image reconstruction.
WANG Yanling， born in 1981， Ph. D.， lecturer. Her research interests include image processing， data analysis.
Supported by:
National Natural Science Foundation of China(62001321);Fundamental Research Program of Shanxi Province(202103021224265);Graduate Education Innovation Project of Taiyuan University of Science and Technology(SY2022015)

摘要/Abstract

摘要：

近年来，生成对抗网络（GAN）用于低剂量计算机断层成像（LDCT）图像降噪已经表现出显著的性能优势，成为该领域的研究热点。然而，GAN的生成器对LDCT图像中噪声和伪影分布的感知能力不足，导致网络的降噪性能受限。因此，提出一种基于双编码器双解码器生成对抗网络（DualED-GAN）的低剂量CT降噪模型。首先，提出由一对编解码器构成伪影像素级特征提取通道，用于估计LDCT中的伪影噪声；其次，提出由另外一对编解码器构成伪影掩码信息提取通道，用于估计伪影的强度和位置信息；最后，采用伪影图像质量标签图辅助估计伪影的掩码信息，可以为伪影像素级特征提取通道提供补充特征，进而提高GAN降噪网络对伪影噪声分布强度的敏感性。实验结果表明，在mayo测试集上与次优模型DESD-GAN（Dual-Encoder-Single-Decoder based Generative Adversarial Network）相比，所提模型的平均峰值信噪比（PSNR）提高了0.338 7 dB，平均结构相似性度（SSIM）提高了0.002 8。可见，所提模型在伪影抑制、结构保留与模型鲁棒性方面均有更好的表现。

关键词: 低剂量计算机断层成像, 生成对抗网络, 编码器, 解码器, 降噪

Abstract:

In recent years， Generative Adversarial Network （GAN） used for Low-Dose Computed Tomography （LDCT） image denoising has shown significant performance advantages， becoming a hot topic in the field. However， the insufficient perception ability of GAN generator for the noise and artifact distribution in LDCT images leads to limit the denoising performance. To address this issue， an LDCT denoising model based on a Dual Encoder-Decoder GAN （DualED-GAN） was proposed. Firstly， a pair of encoder-decoder was proposed to form an artifact pixel-level feature extraction channel for estimating the artifact noise in LDCT images. Secondly， another pair of encoder-decoder was proposed to form an artifact mask information extraction channel for estimating the intensity and location information of artifacts. Finally， the artifact image quality label maps were used to assist in estimating the mask information of artifacts， so that supplementary features were provided for the artifact pixel-level feature extraction channel， thereby enhancing the sensitivity of the GAN denoising network to the distribution intensity of artifact noise. Experimental results show that compared with the sub-optimal model DESD-GAN（Dual-Encoder-Single-Decoder based Generative Adversarial Network）， the proposed model increases the average Peak Signal-to-Noise Ratio （PSNR） by 0.338 7 dB， and the average Structural Similarity Index Measure （SSIM） by 0.002 8 on mayo test set. It can be seen that the proposed model performs better in all terms of artifact suppression， structural preservation， and model robustness.

Key words: Low-Dose Computed Tomography (LDCT), Generative Adversarial Network (GAN), encoder, decoder, denoising

中图分类号:

TP391.41

上官宏, 任慧莹, 张雄, 韩兴隆, 桂志国, 王燕玲. 基于双编码器双解码器GAN的低剂量CT降噪模型[J]. 计算机应用, 2025, 45(2): 624-632.

Hong SHANGGUAN, Huiying REN, Xiong ZHANG, Xinglong HAN, Zhiguo GUI, Yanling WANG. Low-dose CT denoising model based on dual encoder-decoder generative adversarial network[J]. Journal of Computer Applications, 2025, 45(2): 624-632.

图/表 11

图1 本文所提降噪网络DualED-GAN示意图

Fig. 1 Schematic diagram of proposed DualED-GAN denoising network

图2 本文所提双编码双解码生成器结构

Fig. 2 Structure of proposed dual encoder-decoder generator

图3 EFAL、RCD、RDC的结构

Fig. 3 Structure of EFAL， RCD， and RDC

表1 不同消融网络所获降噪结果的平均PSNR值统计

Tab. 1 Average PSNR values statistics for denoising results obtained by different ablation networks

实验序号	方法	生成器								PSNR/dB↑
		Enc1-Dec1		Enc2-Dec2		双通道交互关系
		编码器	解码器	编码器	解码器	双通道交互关系
		EFAL	DFEL	RCD	RDC	E_U→ E_D	E_U→ D_D	E_D→ D_U	D_D→ D_U
1	O_SESD	√	√							31.373 1±1.752 9
	O_SEDD	√	√		√		√			31.454 0±1.745 2
	O_DESD	√	√	√				√		31.399 9±1.748 2
	DualED-GAN	√	√	√	√		√	√		31.473 6±1.749 1
2	O_nocon	√	√	√	√					30.747 2±1.757 1
	O_UEDE	√	√	√	√	√				31.066 2±1.751 2
	O_UEDD	√	√	√	√		√			31.001 2±1.749 1
	O_DEUD	√	√	√	√			√		31.125 9±1.749 5
	O_DDUD	√	√	√	√				√	31.002 9±1.751 1
3	O₀	0	0	0	0		√	√		30.855 7±1.798 2
	O₁	1	1	1	1		√	√		31.124 1±1.774 0
	O₂	2	2	2	2		√	√		31.136 8±1.775 9
	DualED-GAN	3	3	3	3		√	√		31.142 4±1.758 7

图4 本文模型不同消融网络对胸、腹部LDCT图像的降噪结果

Fig. 4 Denoising results of chest and abdominal LDCT images obtained by different ablation networks of proposed model

图5 不同模型降噪结果的11种量化指标值的雷达图

Fig. 5 Radar chart of 11 quantitative metric values of different denoising results

图6 不同模型对被条纹伪影污染胸部LDCT图像的降噪结果

Fig. 6 Denoising results obtained by different models for chest LDCT image contaminated by streak artifacts

图7 不同模型对斑驳噪声污染腹部LDCT图像的降噪结果

Fig. 7 Denoising results obtained by different models for abdominal LDCT image contaminated by mottled noise

图8 不同模型降噪结果及不同模型所抑制噪声与理想噪声的差值图在ROI4处的放大显示

Fig. 8 Enlarged display for different denoising results of different models and differences between noise suppressed by different models and ideal noise at ROI4

表2 不同模型在测试集上所获降噪结果的5种量化分析值统计

Tab. 2 Five quantitative analysis values statistics for denoising results obtained by different models on test set

降噪模型	PSNR/dB↑	SSIM↑	VIF↑	MSE↓	NIQE↓
BM3D^［24］	27.336 4±2.273 4	0.727 4±0.047 4	0.272 2±0.035 9	138.420 0±81.800 0	6.501 8±1.046 0
pix2pix^［21］	28.318 3±1.659 9	0.811 1±0.054 5	0.334 2±0.054 3	102.726 5±37.389 9	4.763 8±0.960 0
RED-CNN^［5］	30.511 4±1.764 7	0.866 0±0.041 8	0.390 2±0.055 9	62.861 3±26.771 1	5.038 4±0.871 3
TED-Net^［25］	31.080 1±1.758 5	0.844 2±0.042 2	0.403 9±0.058 5	54.992 6±22.387 7	4.382 3±1.092 1
HFSGAN^［27］	30.081 8±0.044 5	0.852 7±1.588 9	0.373 3±0.052 7	68.187 0±24.996 2	5.257 1±0.855 3
SEDD-GAN^［12］	30.838 6±1.509 8	0.870 6±0.038 3	0.400 8±0.049 4	57.023 6±20.787 4	5.091 4±1.132 4
DESD-GAN^［10］	31.134 9±1.899 1	0.873 8±0.042 0	0.418 6±0.057 6	55.260 2±26.157 1	5.026 8±0.961 6
CMFHGAN^［27］	30.891 7±2.281 4	0.872 7±0.042 8	0.485 7±0.052 1	63.802 9±51.636 6	4.924 9±0.976 2
DEA-Net^［28］	30.983 6±1.698 6	0.859 1±0.045 7	0.458 9±0.054 9	55.904 1±21.784 1	4.424 5±1.006 1
DualED-GAN	31.473 6±1.749 1	0.876 6±0.041 2	0.426 0±0.059 0	50.154 2±20.056 8	4.842 1±0.988 9

图9 不同模型降噪结果在图6~8所示ROI1、ROI2、ROI3、ROI4上的平均表现的箱线图

Fig. 9 Boxplots of average performance of denoising results of different models on ROI1， ROI2， ROI3， and ROI4 shown in Figures 6-8

参考文献 33

1	韩泽芳，上官宏，张雄，等. 基于深度学习的低剂量CT成像算法研究进展［J］. CT理论与应用研究， 2022， 31（1）： 117-134.
	HAN Z F， SHANGGUAN H， ZHANG X， et al. Advances in research on low-dose CT imaging algorithm based on deep learning［J］. Computerized Tomography Theory and Applications， 2022， 31（1）： 117-134.
2	NAIDICH D P， MARSHALL C H， GRIBBIN C， et al. Low-dose CT of the lungs： preliminary observations［J］. Radiology， 1990， 175（3）： 729-731.
3	张权. 低剂量X线CT重建若干问题研究［D］. 南京：东南大学， 2015：11-12.
	ZHANG Q. A study on some problems in image reconstruction for low-dose CT system［D］. Nanjing： Southeast University， 2015： 11-12.
4	CHEN Y， SHI L， FENG Q， et al. Artifact suppressed dictionary learning for low-dose CT image processing［J］. IEEE Transactions on Medical Imaging， 2014， 33（12）： 2271-2292.
5	CHEN H， ZHANG Y， KALRA M K， et al. Low-dose CT with a Residual Encoder-Decoder Convolutional Neural Network （RED-CNN）［J］. IEEE Transactions on Medical Imaging， 2017， 36（12）： 2524-2535.
6	CHEN M， PU Y F， BAI Y C. Low-dose CT image denoising using residual convolutional network with fractional TV loss［J］. Neurocomputing， 2021， 452： 510-520.
7	郝文强，崔学英，郭映亭. 基于Transformer和CNN的低剂量CT图像去噪网络［J］. 海南师范大学学报（自然科学版）， 2023， 36（2）： 176-182.
	HAO W Q， CUI X Y， GUO Y T. Low-dose CT image denoising network based on Transformer and CNN［J］. Journal of Hainan Normal University （Natural Science）， 2023， 36（2）： 176-182.
8	WEI Y， ZHANG Z， ZHANG H， et al. A coarse-to-fine multi-stream hybrid deraining network for single image deraining［C］// Proceedings of the 2019 IEEE International Conference on Data Mining. Piscataway： IEEE， 2019： 628-637.
9	YI X， BABYN P. Sharpness-aware low-dose CT denoising using conditional generative adversarial network［J］. Journal of Digital Imaging， 2018， 31（5）： 655-669.
10	HAN Z， SHANGGUAN H， ZHANG X， et al. A dual-encoder-single-decoder based low-dose CT denoising network［J］. IEEE Journal of Biomedical and Health Informatics， 2022， 26（7）： 3251-3260.
11	YASARLA R， PATEL V M. Confidence measure guided single image de-raining［J］. IEEE Transactions on Image Processing， 2020， 29： 4544-4555.
12	JIAO F， GUI Z， LIU Y， et al. Low-dose CT image denoising via frequency division and encoder-dual decoder GAN［J］. Signal， Image and Video Processing， 2021， 15（8）： 1907-1915.
13	韩静. 医学诊疗任务导向的低剂量CT图像伪影抑制研究［D］. 太原：太原科技大学， 2023：4-5.
	HAN J. Research on medical diagnosis and treatment task oriented low dose CT image artifact suppression［D］. Taiyuan： Taiyuan University of Science and Technology， 2023： 4-5.
14	ZHANG H， PATEL V M. Density-aware single image de-raining using a multi-stream dense network［C］// Proceedings of the 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2018： 695-704.
15	HU X， FU C W， ZHU L， et al. Depth-attentional features for single-image rain removal［C］// Proceedings of the 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2019： 8014-8023.
16	GUO S， YAN Z， ZHANG K， et al. Toward convolutional blind denoising of real photographs［C］// Proceedings of the 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2019： 1712-1722.
17	WANG Y， GONG D， YANG J， et al. An effective two-branch model-based deep network for single image deraining［EB/OL］. ［2023-05-14］..
18	WANG Y， ZHANG H， LIU Y， et al. Gradient information guided deraining with a novel network and adversarial training［EB/OL］. ［2023-10-09］..
19	HEINRICH M P， STILLE M， BUZUG T M. Residual U-net convolutional neural network architecture for low-dose CT denoising［J］. Current Directions in Biomedical Engineering， 2018， 4（1）： 297-300.
20	韩兴隆. 低剂量CT图像伪影抑制的编解码特征提取网络研究［D］. 太原：太原科技大学， 2022：31-32.
	HAN X L. Research on encoder-decoder feature extraction network for low-dose CT［D］. Taiyuan： Taiyuan University of Science and Technology， 2022： 31-32.
21	ISOLA P， ZHU J Y， ZHOU T， et al. Image-to-image translation with conditional adversarial networks［C］// Proceedings of the 2017 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2017： 1125-1134.
22	WU L， ZHANG X， CHEN H， et al. VP-NIQE： an opinion-unaware visual perception natural image quality evaluator［J］. Neurocomputing， 2021， 463： 17-28.
23	American Association of Physicists in Medicine. Low dose CT grand challenge［DS/OL］. ［2023-04-20］..
24	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）： No.5401.
25	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， LNCS 12966. Cham： Springer， 2021： 416-425.
26	CHEN Z， HE Z， LU Z M. DEA-Net： single image dehazing based on detail-enhanced convolution and content-guided attention［J］. IEEE Transactions on Image Processing， 2024， 33： 1002-1015.
27	YANG L， SHANGGUAN H， ZHANG X， et al. High-frequency sensitive generative adversarial network for low-dose CT image denoising［J］. IEEE Access， 2020， 8： 930-943.
28	HAN Z， SHANGGUAN H， ZHANG X， et al. A coarse-to-fine multi-scale feature hybrid low-dose CT denoising network［J］. Signal Processing： Image Communication， 2023， 118： No.117009.
29	CHEN C， CARLSON D， GAN Z， et al. Bridging the gap between stochastic gradient MCMC and stochastic optimization［C］// Proceedings of the 19th International Conference on Artificial Intelligence and Statistics. New York： JMLR.org， 2016： 1051-1060.
30	YAO S， LIN W， ONG E， et al. Contrast signal-to-noise ratio for image quality assessment［C］// Proceedings of the 2005 IEEE International Conference on Image Processing — Volume 1. Piscataway： IEEE， 2005： 397-401.
31	WANG Z， BOVIK A C， SHEIKH H R， et al. Image quality assessment： from error visibility to structural similarity［J］. IEEE Transactions on Image Processing， 2004， 13（4）： 600-612.
32	HAN Y， CAI Y， CAO Y， et al. A new image fusion performance metric based on visual information fidelity［J］. Information Fusion， 2013， 14（2）： 127-135.
33	BAUER E， KOHAVI R. An empirical comparison of voting classification algorithms： Bagging， boosting， and variants［J］. Machine Learning， 1999， 36（1/2）： 105-139.

[1]	刘昕, 杨大伟, 邵长恒, 王海文, 庞铭江, 李艳茹. 面向长尾分布的民众诉求层次多标签分类模型[J]. 《计算机应用》唯一官方网站, 2025, 45(1): 82-89.
[2]	徐志刚, 张创. 基于门控位置编码的壁画图像多级色彩还原[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2931-2937.
[3]	邓凯丽, 魏伟波, 潘振宽. 改进掩码自编码器的工业缺陷检测方法[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2595-2603.
[4]	李晨倩, 刘俊. 基于半监督和多尺度级联注意力的超声颈动脉斑块分割方法[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2604-2610.
[5]	莫尚斌, 王文君, 董凌, 高盛祥, 余正涛. 基于多路信息聚合协同解码的单通道语音增强[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2611-2617.
[6]	刘丽, 侯海金, 王安红, 张涛. 基于多尺度注意力的生成式信息隐藏算法[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2102-2109.
[7]	王昊冉, 于丹, 杨玉丽, 马垚, 陈永乐. 面向工控系统未知攻击的域迁移入侵检测方法[J]. 《计算机应用》唯一官方网站, 2024, 44(4): 1158-1165.
[8]	李宗禹, 强思维, 郭晓波, 朱振峰. 重加权的对抗变分自编码器及其在工业因果效应估计中的应用[J]. 《计算机应用》唯一官方网站, 2024, 44(4): 1099-1106.
[9]	郑毅, 廖存燚, 张天倩, 王骥, 刘守印. 面向城区的基于图去噪的小区级RSRP估计方法[J]. 《计算机应用》唯一官方网站, 2024, 44(3): 855-862.
[10]	黄子麒, 胡建鹏. 实体类别增强的汽车领域嵌套命名实体识别[J]. 《计算机应用》唯一官方网站, 2024, 44(2): 377-384.
[11]	张卓, 陈花竹. 基于一致性和多样性的多尺度自表示学习的深度子空间聚类[J]. 《计算机应用》唯一官方网站, 2024, 44(2): 353-359.
[12]	曾渝, 张洋, 曾尚, 付茂栗, 何启学, 曾林隆. 基于多尺度门控膨胀卷积网络的时间序列预测算法[J]. 《计算机应用》唯一官方网站, 2024, 44(11): 3427-3434.
[13]	蒋辉, 闫秋艳, 姜竹郡. 面向多元时间序列异常检测的对称正定自编码器方法[J]. 《计算机应用》唯一官方网站, 2024, 44(10): 3294-3299.
[14]	周辉, 陈玉玲, 王学伟, 张洋文, 何建江. 基于生成对抗网络的联邦学习深度影子防御方案[J]. 《计算机应用》唯一官方网站, 2024, 44(1): 223-232.
[15]	徐丽, 符祥远, 李浩然. 基于门控卷积的时空交通流预测模型[J]. 《计算机应用》唯一官方网站, 2023, 43(9): 2760-2765.

基于双编码器双解码器GAN的低剂量CT降噪模型

Low-dose CT denoising model based on dual encoder-decoder generative adversarial network

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 11

参考文献 33

相关文章 15

编辑推荐

Metrics