Eformer是进行低剂量CT图像重建的工作，它第一次将Transformer用在医学图像去噪上，值得一读。

知乎同名账号同步发布。

一、架构和贡献

和Uformer一样，将LeWin Transformer加入了UNet中，不一样的是将经过Sobel Convolution处理的图片concat到UNet中不同阶段的encode和decode过程中。采用了残差学习，原图减残差为预测去噪结果。注意下采样和上采样是用卷积和反卷积（注意避免棋盘效应，后文会讲）。

二、主要细节

需要了解的主要就是Sobel Convolution和LeWin Transformer，后者我在Uformer笔记中已经记录，简单放上公式：

2.1，Sobel Convolution

Sobel Convolution的功能是获得edge-enhanced images，效果如下图所示：

细节没看，文章中对其的引用放下面：

[19] Tengfei Liang, Yi Jin, Yidong Li, and Tao Wang. Edcnn: Edge enhancement-based densely connected network with compound loss for low-dose ct denoising. 2020 15th IEEE International Conference on Signal Processing (ICSP), Dec 2020.
[24] Irwin Sobel. An isotropic 3x3 image gradient operator. Presentation at Stanford A.I. Project 1968, 02 2014.

Sobel Convolution之后跟的激活函数是GeLU。

2.2, 下采样和上采样

采用3×3的卷积进行下采样，stride为2，padding为1.作者说不用pooling的原因是可能会丢失细节，所以采用strided conv来下采样。

采用反卷积进行上采样，作者提到了棋盘效应：

棋盘效应，源头就是反卷积过程中，当卷积核大小不能被步长整除时，反卷积就会出现重叠问题，插零的时候，输出结果会出现一些数值效应，就像棋盘一样。

所以卷积核大小应当能被步长整除，作者采用4×4的卷积核，stride为2.

2.3，损失函数

采用两个损失函数，一个是MSE，一个是感知损失。

MSE：

MSE损失会造成过度平滑和图像模糊，所以作者没有只用它。

ResNet based MSP(Multi-scale Perceptual)：

$x_i-R(x_i)$是网络的预测结果，$y_i$是ground-truth，${\varphi }_s$表示ResNet，不同的s表示不同尺度的ResNet，一共有C种s，所以是multi-scale。

最终损失函数如下所示：

作者也对比了不同方法采用的不同损失：

三、实验

在Mayo上做的，先用Pydicom将像素从Dicom文件提取到Numpy array中，然后将像素数值scale到0-1之间。其他数据集和训练细节在paper第7页。

和其他方法的对比：

作者放的效果图：