CT 图像去噪新突破：融合先验与创新训练提升图像质量

为解决扩散模型在 CT 图像去噪的缺陷，研究人员开展相关研究，显著提升图像质量，效果超现有方法。

　　CT 图像去噪在医学成像系统中至关重要，其目的是提高获取的视觉信号质量。机器学习领域扩散模型的出现，为高质量 CT 图像的生成带来了变革。然而，基于扩散的 CT 图像去噪方法存在两个关键缺陷。其一，它们未融入 CT 成像的图像形成先验知识，这限制了其对 CT 图像去噪任务的适应性；其二，这些方法在信号阶段是基于结构和纹理各异的 CT 图像进行训练的，这阻碍了模型的泛化能力。为解决第一个限制，研究人员为扩散模型提出了一种全新的条件模块，该模块利用正弦图域（sinogram domain）的图像形成先验来生成丰富的特征。为解决第二个问题，研究人员引入了两阶段训练机制，使网络能够逐步学习不同的解剖纹理和结构。大量实验结果表明，这两种方法在提升 CT 图像质量方面效果显著，峰值信噪比（PSNR）提升高达 17%，结构相似性指数度量（SSIM）提升高达 38%，凸显了它们相较于现有最先进方法的优越性。