TMI 2017的作品，本文的主要思想和2016年NIPS的RED基本一致，网络采用AE的结构，先用卷积层进行编码，再用反卷积层进行解码，中间通过skip结构连接，如下图所示。
下图是16年RED的结构，和本文一样遵循先入先出的原则，通过residual learning进行去噪，所以本文的结构就是follow RED。
实验数据包括两部分，一个是AAPM比赛的10位病人的HDCT和LDCT图像，另一个是作者在 the National Biomedical Imaging Archive (NBIA)的165名患者的HDCT上通过正弦图域增加泊松噪声来模拟LDCT。但代码中并没有这一部分的数据，而是将AAPM的10位病人数据按照8+2分成了训练和测试数据集。训练中图像裁剪成55*55的patch，下表是随机挑选出的100张图像的测试结果，相比较BM3D有不小的提升。
针对肺部CT图像所要保持的伪像减少，噪声抑制，对比度保持，病变辨别和整体质量5个指标，作者请了两位具有6年和8年临床经验的放射科医师分别按照（1-5分）标准进行打分，将P<0.05的t检验结果统计在下表中：
另外作者还在网络层数，patch_size选择，网络消耗，鲁棒性等指标上进行对比，本文的方法相比较KAIST-Net性能有所提升，而且训练时间大大减少。总得来说文章的网络结构比较简单，没有什么新意，但一篇好的LDCT去噪的paper里面的实验过程，各种对比实验设计，文章结构都值得学习
