张毅（音译）AU-Kulathilake，K.A.Saneera Hemantha AU-Abdullah，Nor Aniza AU-Bandara，A.M.Randitha Ravimal AU-Lai，Khin Wee PY-2021 DA-2021/09/13 TI-InNetGAN：基于初始网络的低剂量CT去噪生成对抗网络SP-9975762 VL-2021 AB-低剂量CT（LDCT）由于其能够降低患者暴露于X射线辐射的风险，因此在临床程序中获得了大量关注。然而，降低X射线剂量会增加所获得的LDCT图像中的量子噪声和伪影。因此，它会产生视觉质量较低的LDCT图像，对疾病诊断产生不利影响临床程序中的歌唱和治疗计划。深度学习（DL）与传统去噪方法相比，由于其高性能和数据驱动执行，最近已成为LDCT去噪的前沿技术。尽管基于DL的模型在LDCT降噪方面表现相当好，但去噪后的LDCT图像中仍保留了一些噪声成分。这种噪声保留的原因之一是e通过基于收缩和提取路径的DL模式的跳跃连接直接传输特征图。因此，在本研究中，我们提出了一种具有初始网络模块的生成性对抗网络（InNetGAN）作为一种通过跳过连接过滤噪声传输并保留LDCT图像纹理和精细结构的解决方案，该生成器基于U-net体系结构建模。U-net体系结构中的跳过连接通过三个不同的初始网络模块进行修改，以滤除featu中的噪声定量和定性实验结果表明，与其他最先进的去噪算法相比，InNetGAN模型在降低噪声和保留LDCT图像中的细微结构和纹理细节方面表现出色。SN-2040-2295 UR-https://doi.org/10.1155/2021/9975762 DO-10.1155/2021/9975762 JF-医疗工程杂志PB-印度群岛KW-ER-