文章学习19“Generative Adversarial Networks for Noise Reduction in Low-Dose CT”

本文是IEEE TRANSACTIONS ON MEDICAL IMAGING 17年的作品，作者是荷兰的一个医学中心的人用gan来做LDCT的去燥，文章的亮点是体素级的设计，网络总结构如下图所示：

生成器是输入低剂量的CT图像，然后经过7个连续的卷积层输出图像中的噪声，然后用输入的低剂量图像减去噪声得到模拟高剂量图像。和普通的网络的不同是作者没有将CT作为图像处理，而是转化为体素值（HU）进行处理，除了最后一层其余的激活函数都是LRELu，权重初始化为（0，0.001）的正态分布。生成器部分的loss为：

上式第一部分是生成的虚拟高剂量与真实的LDCT之间的l2范数损失，第二部分是辨别器的分类值和是高剂量的二值交叉熵损失。然后根据两个参数，生成器的优化方式会有三种，如下图：

用以对比GAN的结构是否有意义。

判别器部分输入生成器的输出和HDCT，经过卷积层，LReLu和sigmod之后输出判别结果：是（1）或者不是（0）。此部分的loss是：

两个二值交叉熵损失用于提升判断能力，这个交叉损失感觉会很有效。

数据集有两部分，SAGAN里也用到的Phantom CT Scans 和28名患者的心脏CT扫描图，都是有高低两种剂量标准的图像，衡量标准还是PSNR值，4095是HU值的最大相差范围：

作者在12G的英伟达GPU上训练，用Adam优化器，在theano上写的。

分别在三个生成器去燥的结果分别如下图所示：

可以看出交叉熵损失存在的G更拟合真实的高剂量图像。在Phantom CT Scans数据集上的结果如下：

上图中a是FBP的结果，b、c、d分别是使用G1（只有第一项）、G2（只有第二项）、G3（两项损失都有）生成器的结果，e是迭代重建的结果，f是常规剂量对比图。

上图是心脏数据集里4中ct图像下HU值的中值和偏差，这个统计应该是来显示去燥效果的。作者中文中并没有提到和其他试验方法的对比结果，但是三个生成器和体素级损失还是很有创意的。