基于非局部能谱相似特征的基物质分解方法用于双能CT图像去噪

目的提出一种非局部能谱相似特征引导的双能CT基物质分解方法（NSSD-Net）以抑制低剂量能谱CT基物质图像的相关性噪声。方法首先构建模型驱动的双能CT迭代分解模型，采用迭代软阈值算法（ISTA）优化分解模型目标函数的求解过程，并利用深度学习技术将此过程展开为迭代分解网络的形式。然后构建非局部能谱相似特征引导的代价函数，约束网络的训练过程。利用双能CT真实病人数据所建立的基物质分解数据集进行评估。将NSSD-Net与2种传统模型驱动的基物质分解方法、1种基于数据驱动的基物质分解方法以及1种基于数据-模型耦合驱动的监督分解方法进行对比实验。结果与传统模型驱动的基物质分解方法以及数据驱动的基物质分解方法相比，NSSD-Net方法在水和骨基物质分解结果中均获得最高的PNSR指标（31.383和31.444）、最高的SSIM指标（0.970和0.963）以及最低的RMSE指标（2.901和1.633）；与数据-模型耦合驱动的监督分解方法相比，NSSD-Net方法在水和骨基物质分解结果中均获得最高的SSIM指标；临床影像专家的主观图像质量评估结果显示，NSSD-Net方法在水和骨基物质分解结果中图像质量评分均最高（8.625和8.250），与其他4种对比方法分解性能之间的差异具有统计学意义（P < 0.001）。结论本方法可以获得高质量的基物质分解结果，有效避免训练数据质量问题和模型不可解释问题。