２．本课题要研究或解决的问题和拟采用的研究手段（途径）：

需求分析：

CT在医疗实践中的不断发展和广泛使用引起了公众对患者相关辐射剂量的关注。 减少辐射剂量可能导致噪声和伪影增加，这可能对放射科医师的判断和信心产生不利影响。因此，需要从低剂量CT数据进行高级图像重建和降噪以改善诊断性能，由于其不适定性质，这是一个具有挑战性的问题。

#160;研究阶段：第一阶段：熟悉matlab、Python等语言和软件的使用以及图像处理相关函数的应用。研读相关论文，获取算法相关的思路以及知识。第二阶段：根据LDCT图像去噪过程，拟绘制以下的算法流程图。

#160;#160;

图3 基于GAN的LDCT图像去噪算法流程图

#160;

#160;

算法设计思路：

1. 生成器G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该处没有将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：

图3 三种不同的生成器优化方法

通过三种方法来比较GAN的结构意义。

2．判别器D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:

3. 数据集有两部分，SAGAN里也用到的Phantom CT Scans#160;和患者的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：

#160;

第三阶段：算法测试与文档书写

1.局部算法验证。

#160; #160;#160;2.总体算法的检验，在实际图像中进行配准，发现问题并进行优化，提高算法性能。

#160; #160;#160;3.认真总结，查找漏洞完成算法，撰写论文并完成毕业答辩。