Multi-Scale Texture Loss for CT denoising with GANs

生成对抗网络（GANs）已被证明是医学成像中去噪应用的强大框架。然而，基于GAN的去噪算法仍然存在捕捉图像内复杂关系的局限性。在这方面，损失函数在引导图像生成过程中起着关键作用，包括合成图像与真实图像的差异程度。为了在训练过程中掌握高度复杂和非线性的纹理关系，本研究提出了一种利用灰度共生矩阵（GLCM）固有的多尺度特性的损失函数。尽管深度学习的最近进展在分类和检测任务中表现出卓越性能，但我们假设将其信息内容集成到GAN的训练中是有价值的。为此，我们提出了一种可微分的GLCM实现，适用于基于梯度的优化。我们的方法还引入了自注意力层，动态聚合从图像中提取的多尺度纹理信息。我们在低剂量CT去噪的背景下进行了大量实验验证，这是一个旨在提高噪声CT扫描质量的具有挑战性的应用。我们利用了三个公开可用的数据集，包括一个模拟数据集和两个真实数据集。与其他成熟的损失函数相比，我们的结果很有前途，并且在三种不同的GAN架构中也是一致的。我们的代码可在以下网址找到：https://github.com/FrancescoDiFeola/DenoTextureLoss。

本文旨在解决GAN在医学图像去噪方面存在的捕捉复杂关系的局限性，提出了一种利用Gray-Level-Co-occurrence Matrix (GLCM)的损失函数，并将其集成到GAN的训练中。

本文的关键思路是使用可微分的GLCM实现多尺度纹理信息的提取，并引入一个自注意力层动态聚合从图像中提取的多尺度纹理信息。

本文使用三个公开数据集进行了大量实验，验证了所提出的方法在低剂量CT去噪方面与其他已有的损失函数相比具有更好的表现，并且在三种不同的GAN架构中保持一致。研究代码已在GitHub上开源。

最近的相关研究包括：'Deep Learning Based Medical Image Denoising: A Survey'，'Low-Dose CT via Deep Neural Networks'，'Deep Learning for Image Denoising: A Survey'等。