《表2 不同损失函数在测试集上的平均指标比较》

  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

《基于生成对抗网络的低剂量能谱层析成像去噪算法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

为研究1.3节所述的3种损失函数对网络结构的影响，分别对默认的HPWGAN-3D做了如下改动：只保留MSE损失；只保留纹理损失；只保留感知损失。图像（1）（2）的测试结果如图6所示，其中奇数排代表30～80 ke V的去噪图像，偶数排代表80～120 ke V的CT图像处理结果。正如所预料的一样，只保留MSE损失会使图6(a）轮廓边缘模糊；只保留纹理损失的图6(b）所展示的边缘相较于图6(a）更加锐化；只保留感知损失使网络训练注重特征空间，图6(c）中的轮廓突出，但是会产生高频伪影。而3种损失函数的结合对提升网络的去噪性能产生了积极作用，图6(d）证明复合感知损失函数优于其他任何单一的损失函数。此外，所有测试集上的图像评价结果如表2所示。使用MSE损失容易取得较高的PSNR值，因为网络是利用像素间的均方误差进行优化的，但是对于注重细节的医疗诊断来说，主观效果更为重要，只使用MSE的视觉效果不佳。此结果也证明相较于2.3.2中的CNN网络[10]的测试结果，残差单元的引入能提升图像质量。综上，复合感知损失函数在主观视觉和客观指标上都优于其他方法。