《表1 图7和图8的定量指标分析》
提示:宽带有限、当前游客访问压缩模式
本系列图表出处文件名:随高清版一同展现
《面向低剂量CT图像的多生成器对抗网络降噪模型的研究》
本文采用峰值信噪比(PSNR)和结构相似性(SSIM)作为图像降噪质量的量化评价指标.具体的数值如表1所示,其中第2列和第3列数值对应图7,第4列和第5列数值对应图8.显然,深度学习模型的指标数值均高于传统算法.因此,深度学习模型比传统降噪算法更适用于低剂量CT图像降噪.采用GAN和带有残差网络的GAN(GAN+Resnet)降噪后的图像数值相近,因为残差网络主要是加速网络收敛,对降噪质量不会有明显的影响.多生成器的并行结构使得Tri GAN模型在PSNR和SSIM两大指标上均为最佳,PSNR值为26.67.与传统算法BM3D、NLM相比平均提高了约30%,与深度学习模型相比平均提高了4.5%;SSIM值为0.98,比传统算法BM3D、NLM平均提高了10%,比深度学习模型提高了1.5%.
图表编号 | XD00199041600 严禁用于非法目的 |
---|---|
绘制时间 | 2020.12.01 |
作者 | 裴颂文、樊静、沈天马、顾春华 |
绘制单位 | 上海理工大学光电信息与计算机工程学院、中国科学院计算技术研究所计算机体系结构国家重点实验室、上海理工大学光电信息与计算机工程学院、上海理工大学光电信息与计算机工程学院、上海理工大学光电信息与计算机工程学院 |
更多格式 | 高清、无水印(增值服务) |