基于噪声水平估计的多孔准直X射线荧光CT去噪算法

X射线荧光CT（XFCT）是X射线CT与X射线荧光分析相结合的新型成像方式，可用于探测被修饰后的纳米金颗粒在肿瘤内部的分布及质量分数，在早期癌症诊疗方面具有较好的应用潜力。如何抑制XFCT成像的康普顿散射噪声是当前的热点问题。本文基于深度学习方法，通过卷积神经网络学习图像中的噪声分布规律，从而抑制噪声。基于此，提出了一种基于噪声水平估计和卷积神经网络的XFCT去噪网络（NeCNN）算法，该算法运用噪声估计子网络及去噪主网络进行去噪。估计子网络通过去噪卷积神经网络（DnCNN）估计噪声水平并初步降噪，随后将估计结果输入去噪主网络——全卷积神经网络（FCN）用于学习康普顿散射的分布规律，同时为兼顾局部与全局最优解采用均方误差（MSE）及结构相似度（SSIM）作为损失函数。数据集通过Geant4软件模拟扫描填充各种金属纳米颗粒（Au、Bi、Ru、Gd）的空气模体及聚甲基丙烯酸甲酯（PMMA）模体来获取，且设置不同入射X射线的强度，以此模拟不同噪声水平，增强模型泛化能力。实验结果表明，与三维块匹配滤波（BM3D）及DnCNN算法相比，NeCNN算法的去噪结果最优，其SSIM为0.95066，峰值信噪比（PSNR）为29.01558，图像质量提高最为显著。