论文学习15“Sharpness-Aware Low-Dose CT Denoising Using Conditional Generative Adversarial Network”

论文链接：SAGAN

代码链接：SAGAN

这篇文章是我在GitHub发现的低剂量CT向高剂量CT转化的项目的文章，是在2018年美国医学影像信息大会（SIIM）上发表的文章。

在低剂量辐射领域有一个原则：ALARA（尽可能的低剂量原则）(1)个人监测卡必须经常佩带，以提供一个较长时间的剂量记录。2)放射技师应尽量使用机械装置固定被照体。3)若患者确需帮助，应由其家属或非放射工作者完成。员工扶助患者时，必须穿戴防护衣，并避开放射源的直接照射。4)一个好的放射技师应该注意所有的工作环节，包括调整照射野的大小、使用高电压技术、采用高感度增感屏/胶片系统和尽可能小的曝光量。

本文的思想是GAN网络，整体网络结构如下，三个子网络构成：生成网络、判别网络和锐度检测网络。

生成器和判别器之间的损失函数如下，其中x是输入的低剂量CT，y是目标标准剂量CT，y带帽是生成器生成的图像；Pdata是采样的真实数据分布，E是这些点的期望值。生成器就想最小化上述loss，而判别器就想最大化这个loss：

除了上述损失函数，生成器中还会存在其他loss，如下输出和目标的L1范数：

在锐度检测网络S中也会存在损失函数：

所以整个SAGAN网络的loss就是：

生成器：作者采用的是U-Net256结构，如下图所示，

判别器：采用了pix2pix里的PatchGAN结构。

锐度检测网络：传统的低剂量CT转化的网络输出锐度都很低，作者在这里添加了锐度检测网络作用于生成器，使之生成锐度较高的图像。

实验：

作者根据SAGAN网络做了四组实验，实验数据分别是：模拟低剂量CT，小猪CT数据集，Catphan 600和kaggle17比赛两位患者的CT图像。

在模拟低剂量CT时采用添加泊松噪声和高斯噪声的方法模拟，通过N0的不同对应不同剂量的CT图像：

在小猪数据集上通过更改管电流改变剂量，这也是真实CT采集时的做法，最终产生了4个剂量水平；在Catphan 600数据集上有两个剂量水平，具体如下表：

Kaggle低剂量数据集是在未知剂量下的结果。

针对生成器的不同选择，作者在不同模拟剂量CT下做了不同实验，结果如下表、图，结果显示本文所采用的网络效果最好：

从上表可以看出，N0提升也就是噪声水平降低情况下，性能会提高。

针对锐度检测网络，作者实验结果如下，应用锐度检测网络前后和BM3D/K-SVD对比：

由上表可以看出锐度检测网络的作用。

在各种数据集上实验的结果如下各图所示：

在小猪数据集上定性的PSNR和SSIM对比结果如下：

作者所提出的SAGAN在各个数据集上的表现都很好，但仍旧存在一些问题，比如不同剂量的CT都需要训练模型，再比如锐度检测网络不是很敏感等问题。