基于全卷积神经网络的低剂量CT去噪算法

针对低剂量医学CT图像因减少辐射剂量而引入大量噪声，导致图像质量显著下降的问题，提出一种基于残差注意力机制和自适应特征融合的低剂量CT图像去噪算法，该算法使用全卷积神经网络来完成低剂量CT图像去噪。在网络框架中引入残差注意力机制和选择性内核特征融合模块，以过滤噪声信息，提取有效特征并自适应地融合图像特征，避免重建过程中的细节损失，提高图像质量，使去噪后的图像在感知上更接近原始图像。定性和定量实验表明，与现有的算法相比，在真实的临床数据集上，所提出的算法能够有效地抑制噪声，并恢复低剂量CT图像中更详细的纹理。与低剂量CT图像相比，所提出的算法将峰值信噪比提高14.94%，结构相似度提高4.68%，均方根误差降低40.11%，可以满足医学成像的诊断要求。