结合残差U-Net神经网络和DIP的PET图像降噪

由于正电子发射型计算机断层显像(PET)噪声较大,现有图像降噪效果不理想,提出了一种结合残差U-Net神经网络和深度图像先验(DIP)的PET图像降噪。在U-Net网络中引入残差学习,提高网络表达能力和收敛速度;提出一种无训练数据的DIP算法,将神经网络解释为图像的参数化,利用图像噪声参数化后呈现高阻抗的特性将其去除,达到降噪的目的;在BrainWeb脑部图像数据集上进行实验,并对实验结果进行了对比分析。分析结果表明,所提方法能够得到边缘清晰且平滑的图像,在不同噪声等级和时间帧中,其去噪效果均优于其他对比方法,可获得高质量的图像。