本文是之前用WGAN做LDCT去噪的作者5月发表在arxiv上的新作，总得来说就是在之前的WGAN作品上把生成器部分从2D转化为3D，然后loss上又增加了很多可能，比如L1、L2、MS-SSIM和混合loss形式。当然效果是要比之前的要好，具体会在下文详述。
Introduction和related work没有太多新意，和之前的文章内容一致，都是介绍下目前已有的为数不多的几篇用深度学习去噪的paper，然后介绍自己的创新点，有三：第一就是3DCNN，生成器部分的，好处就是“ can integrate spatial information to enhance the image quality and yield 3D volumetric results for better diagnosis.”；第二个创新点是loss，作者采用了L1损失和结构敏感性损失相结合的loss形式，to capture local anatomical structures while reducing background noise.；第三个创新点就是实验部分对收敛速度和去噪结果进行对比。下图是网络结构，没有太多新意，就是一些内部的调整。
网络由三部分组成，part1生成器由8个3D卷积组成，奇数层卷积核是3*3*1，偶数层是3*3*3，切割成80*80*11的patch，每个卷积层之后加relu激活、part2结构敏感性损失网络也是3d、part3判别器，判别器部分使用的是2D卷积，filter依次是64、64、128、128、256、256的6个卷积层，卷积核是3*3。
作者讨论了使用3d信息的原因。在实际应用上，我们得到的CT本就是三维图像，医生观诊所用也是三维图像，3D CT图像的相邻横截面切片表现出强烈的空间相关性，其可以保存比基于2D的模型更多的矢状和冠状方向的信息。
说完第一个创新点3D之后就是第二个创新，loss的选取。作者在文中对比了几种不同的loss，比如L2loss，它可以有效的抑制背景噪声，但是去噪结果不自然而且会模糊化，L1可以很有效的抑制掉高斯白噪声，但LDCT里不止是高斯噪声，所以针对LDCT效果不好；
第三个loss是之前那篇WGAN里提出的对抗损失，前两项是根据Wasserstein 距离所得的，第三项是梯度惩罚项
下一个loss是结构损失，目的是让生成器产生和HDCT更加相似的图像，所以这里用的是SSIM，这里的损失就是第三项，分析下，SSIM是一个[0,1]的数值，越大表示去噪效果越好，MS_SSIM是SSIM的乘积范围也被限制在[0,1]，切SSIM越大，该值也会越大，LSL是1减掉MS_SSIM，那么就会随着MS的增大而减小，但会一直控制在[0,1]，就可以像训练其他loss一样来训练。但是，如果只要有一个SSIM为0（当然对于去噪这个可能性很低），这个损失就没有意义了（维持1），这应该是一个bug，可能这个loss在这里适用，但泛化性就会很低。
Part2里的结构敏感性损失采用了多loss的形式，结合L1和LSL，如下式：
但仅用上式会失去一些重要的诊断特征，所以引入了对抗损失：
其中β是可以通过网络学习的参数。
实验时数据集就是AAPM数据集，作者把这个数据集分成了10份，做了一个10倍交叉验证，就是依次拿10份作为验证集其余的9份作为训练集（数据集很大，作者应该没有用完全部的数据集）
针对收敛速度的对比（创新点3），结果如下图，
分别是针对不同的loss得到的结果，每一条曲线对应着不同的网络结构，结果显示本文所提出的SMGAN收敛速度比较快。
整个去噪只是在abdomen窗下完成的，HU值是[-160,240]，去噪的结果图如下：
单幅图像上三个指标的定量测量结果如下，PSNR、SSIM、RMSE都有提升，但是效果最后的并不是GAN的，这也是这几个指标一直存在的弊端，所以作者后面采用了3位放射学家以人类的视角来对去噪的效果打分1-5分，越高效果越好。
以人类视角来看，还是SMGAN表现最好，这也符合之前的认知。主要内容差不多就这些，创新点就是一开始说的那三个，另外就是采用了放射科医生来评判去噪效果。但是他定量测量的都是只拿单幅图像，并没有求个平均值什么的，另外就是所提出的损失函数的泛华性，不过MS_SSIM损失函数可以尝试。
