利用时间序列图像深度学习对低剂量图像进行去噪

BioAtt：解剖学先验驱动的低剂量CT去噪

BioAtt: Anatomical Prior Driven Low-Dose CT Denoising

Yonsei University（延世大学）

针对低剂量CT去噪中纯数据驱动模型过度平滑解剖细节的问题，提出BioAtt框架，利用预训练模型BiomedCLIP提取的解剖学先验指导空间注意力，在抑制噪声的同时保留临床结构，显著提升了多项指标并引入了新架构范式。

2025-04-02cs.CVeess.IV

低剂量CT正弦图内结构Transformer去噪

Low-Dose CT Denoising via Sinogram Inner-Structure Transformer

低剂量CT（Low-Dose Computed Tomography，LDCT）技术能够有效降低辐射对人体的危害，是医学成像领域的研究热点。由于低剂量辐射会降低图像质量，因此LDCT检查需要专门的重建方法或去噪算法。然而，大多数有效的方法忽略了原始投影数据（正弦图）的内部结构，这限制了它们的去噪能力。正弦图的内部结构代表正弦图域中数据的特殊特征。通过在去噪的同时保持这种结构，可以明显地抑制噪声。因此，我们提出了一种LDCT去噪网络，即Sinogram Inner-Structure Transformer（SIST），利用正弦图域的内部结构来降低噪声。具体而言，我们研究了CT成像机理和正弦图的统计特性，设计了包括全局和局部内部结构的正弦图内部结构损失，以恢复高质量的CT图像。此外，我们提出了一个正弦图Transformer模块，以更好地提取正弦图特征。采用自注意机制的Transformer架构可以利用不同视角投影之间的相互关系，在正弦图去噪中实现了出色的性能。此外，为了提高在图像域中的性能，我们提出了图像重建模块，以补充在正弦图和图像域中的去噪。

2022-04-18cs.CVeess.IV

用于零样本低剂量CT图像去噪的扩散概率先验

Diffusion Probabilistic Priors for Zero-Shot Low-Dose CT Image Denoising

Huazhong University of Science and Technology（华中科技大学）；Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院）

本文提出仅用正常剂量CT训练级联无条件扩散模型，并在反向扩散中以低剂量图像为似然、迭代求解自适应MAP问题，实现零样本低剂量CT去噪，性能超过现有无监督及部分监督方法。

2023-07-14cs.CVeess.IV

EDCNN：基于边缘增强的复合损失密集连接网络低剂量CT去噪

EDCNN: Edge enhancement-based Densely Connected Network with Compound Loss for Low-Dose CT Denoising

Beijing Jiaotong University（北京交通大学）

在过去的几十年里，为了降低计算机断层扫描（CT）中X射线的风险，低剂量CT图像去噪引起了研究者的广泛关注，成为医学图像领域的重要研究课题。近年来，随着深度学习技术的快速发展，出现了许多算法将卷积神经网络应用于这一任务，取得了可喜的成果。然而，仍然存在一些问题，如去噪效率低，过平滑的结果，在本文中，我们提出了基于边缘增强的密集连接卷积神经网络（EDCNN）。在我们的网络中，我们设计了一个边缘增强模块，使用新的可训练的Sobel卷积。在此基础上，构建了一个密集连接模型，对提取的边缘信息进行融合，实现了端到端的图像去噪。此外，在训练模型时，我们引入了一种综合MSE损失和多尺度感知损失的复合损失，以解决过平滑问题，并在去噪后获得了显着改善的图像质量。与现有的低剂量CT图像去噪算法相比，该模型在细节保持和噪声抑制方面具有更好的性能。

2020-10-30cs.CVeess.IV

低剂量门控PET的门到门一致性学习Siamese对抗网络同时去噪和运动估计

Simultaneous Denoising and Motion Estimation for Low-dose Gated PET using a Siamese Adversarial Network with Gate-to-Gate Consistency Learning

Yale University（耶鲁大学）

门控通常用于PET成像，以减少呼吸运动模糊并促进更复杂的运动校正方法。然而，在低剂量PET的应用中，减少注射剂量导致噪声增加并且降低信噪比（SNR），随后破坏运动估计/校正步骤，导致较差的图像质量。为了解决这些问题，我们首先提出了一个连体对抗网络（SAN），可以有效地恢复高剂量门控图像体积从低剂量门控图像体积。为了确保恢复的门控卷之间的外观一致性，我们然后利用一个预先训练的运动估计网络纳入SAN，使门到门（G2 G）的一致性的约束。利用高质量的恢复的门控体积，可以从运动估计网络同时输出门到门运动矢量。对29例受试者的低剂量门控PET数据集的综合评价表明，我们的方法可以有效地恢复低剂量门控PET体积，平均PSNR为37.16，SSIM为0.97，同时产生鲁棒的运动估计，可以有益于后续的运动校正。

2020-09-14cs.CVeess.IV

低剂量CT去噪中成对与不成对图像质量评估的比较研究

A comparative study between paired and unpaired Image Quality Assessment in Low-Dose CT Denoising

Umeå University（于默奥大学）；Campus Bio-Medico University of Rome（罗马生物医学大学）

本文系统比较了15种成对与不成对图像质量评估分数在低剂量CT去噪中的表现，通过深入统计分析揭示两类度量之间及各自内部的相关性，为研究人员和从业者选择合适的评估指标提供指导。

2023-04-11cs.CVeess.IV

TED-net：用于低剂量CT去噪的无卷积T2T视觉变换器编码器-解码器扩张网络

TED-net: Convolution-free T2T Vision Transformer-based Encoder-decoder Dilation network for Low-dose CT Denoising

University of Massachusetts Lowell（马萨诸塞大学洛厄尔分校）

低剂量CT是临床应用的主流。然而，与常规剂量CT相比，低剂量CT（LDCT）图像中存在较强的噪声和较多的伪影，这给实际应用带来了障碍。在过去的几年中，基于卷积的端到端深度学习方法已被广泛用于LDCT图像去噪。最近，Transformer已经显示出优于卷积的性能，具有更多的功能交互。但其在LDCT去噪中的应用还没有得到充分的研究。在这里，我们提出了一个无卷积的T2 T视觉变换为基础的编码器-解码器扩张网络（TED-net），以丰富家庭的LDCT去噪算法。该模型是免费的卷积块，并由一个对称的编码器-解码器块与唯一的Transformer。我们的模型在AAPM-Mayo clinic LDCT Grand Challenge数据集上进行了评估，结果显示优于最先进的去噪方法。

2021-06-08cs.CVeess.IVphysics.med-ph

低剂量CT去噪的概率自学习框架

Probabilistic self-learning framework for Low-dose CT Denoising

University of Texas Southwestern Medical Centre（德克萨斯大学西南医学中心）

尽管X射线计算机断层扫描（CT）在诊断医学领域中发挥着不可或缺的作用，但考虑到其可能导致遗传和癌症疾病，相关的电离辐射仍然是一个主要问题。减少照射可以降低剂量，从而降低辐射相关风险，但也会引起更高的量子噪声。监督式深度学习可用于训练神经网络以对低剂量CT（LDCT）进行降噪。然而，它的成功需要大量的逐像素配对的LDCT和正常剂量CT（NDCT）图像，这在实际实践中很少可用。为了缓解这个问题，在本文中，移位不变的属性为基础的神经网络的设计，学习固有的像素相关性和噪声分布，仅使用LDCT图像，形成我们的概率自学习框架。实验结果表明，该方法优于竞争对手，产生增强的LDCT图像，具有类似的图像风格的常规NDCT，这是高度优选的临床实践。

2021-01-22cs.CVeess.IV

用于增强低剂量CT预测稳定性的可训练联合双边滤波器

Trainable Joint Bilateral Filters for Enhanced Prediction Stability in Low-dose CT

Friedrich-Alexander-Universität Erlangen-Nürnberg（弗里德里希-亚历山大-埃尔兰根-纽伦堡大学）

低剂量计算机断层扫描（CT）去噪算法旨在降低常规CT采集中的患者剂量，同时保持高图像质量。最近，引入了基于深度学习的方法，由于其高模型容量，在此任务上优于传统的去噪算法。然而，为了将基于DL的去噪过渡到临床实践，这些数据驱动的方法必须在看到的训练数据之外进行鲁棒推广。因此，我们提出了一种混合去噪方法，该方法由一组可训练的联合双边滤波器（JBF）与基于卷积DL的去噪网络相结合来预测指导图像。我们提出的去噪管道将基于DL的特征提取所实现的高模型容量与传统JBF的可靠性相结合。管道的泛化能力通过在没有金属植入物的腹部CT扫描上进行培训以及在有金属植入物的腹部扫描上进行测试以及在头部CT数据上进行测试来证明。当在我们的管道中嵌入两个成熟的基于DL的去噪器（RED-CNN/QAE）时，与各自的香草模型相比，$10\,\%$ / $82\,\%$（RMSE）和$3\,\%$ / $81\,\%$（PSNR）在包含金属的区域中以及$6\,\%$ / $78\,\%$（RMSE）和$2\,\%$ / $4\,\%$（PSNR）在头部CT数据上的去噪性能得到了改善。总之，所提出的可训练JBF限制了深度神经网络的误差范围，以促进基于DL的去噪器在低剂量CT管道中的适用性。

2022-07-15cs.CVeess.IV

自监督低剂量 CT 设置中双域去噪的益处

On the Benefit of Dual-domain Denoising in a Self-supervised Low-dose CT Setting

FAU Erlangen-Nürnberg（埃尔朗根-纽伦堡大学）；Fraunhofer Institute for Ceramic Technologies and Systems IKTS（弗劳恩霍夫陶瓷技术与系统研究所 IKTS）

提出一种无需高剂量真值、在投影域与图像域联合去噪的自监督端到端低剂量 CT 重建框架，并公开含螺旋投影重排的完整实现。

2022-11-03cs.CVeess.IV

WIA-LD2ND：基于小波的图像对齐用于自监督低剂量CT去噪

WIA-LD2ND: Wavelet-based Image Alignment for Self-supervised Low-Dose CT Denoising

School of Computer Science, Wuhan University（武汉大学计算机学院）；School of Computer Science, Central China Normal University（华中师范大学计算机学院）；University of Louisville（路易斯维尔大学）

本文提出仅用正常剂量CT数据的自监督低剂量CT去噪方法WIA-LD2ND，通过基于小波的图像对齐和频率感知多尺度损失，在两个公开数据集上超越现有弱监督与自监督方法。

2024-07-01cs.CVeess.IV

窗口级是一种强去噪替代方法

Window-Level is a Strong Denoising Surrogate

Saratoga High School（萨拉托加高中）；Stanford University（斯坦福大学）

CT图像质量严重依赖于辐射剂量，这导致辐射剂量和图像质量之间的权衡，影响后续基于图像的诊断性能。然而，高辐射可能对患者和操作者都有害。已经尝试了几种（基于深度学习的）方法来对低剂量图像进行降噪。然而，这些方法需要访问大的训练集，特别是用于参考的全剂量CT图像，这通常可能难以获得。自监督学习是一种新兴的替代方法，可以降低对参考数据的要求，从而促进无监督学习。目前可用的自监督CT去噪工作要么依赖于外部域，要么借口不是很相关的任务。为了解决上述挑战，我们提出了一种新的自监督学习方法，即自监督窗口调平图像去噪（SSWL-IDN），利用一个创新的，任务相关的，简单的，但有效的替代-预测的窗口调平等效。SSWL-IDN利用残差学习和结合感知损失和MSE的混合损失，所有这些都包含在VAE框架中。我们广泛的（在域和跨域）实验证明了SSWL-IDN的有效性，积极的CT（腹部和胸部）图像的降噪采集仅在5\%的剂量水平。

2021-05-15cs.CVeess.IV

基于克隆网络的低剂量CT图像去噪

Low-Dose CT Image Denoising Using Parallel-Clone Networks

University of California Davis Medical Center（加州大学戴维斯分校医学中心）

深度神经网络在改善低剂量计算机断层扫描（LDCT）中的图像去噪方面具有巨大潜力。增加网络容量的常用方法包括添加更多层或按顺序重复模块化克隆模型。在这种顺序架构中，有噪声的输入图像和最终输出图像通常在训练模型中仅使用一次，然而这限制了整体学习性能。在本文中，我们提出了一种并行克隆神经网络的方法，利用模块化的网络模型，并利用并行输入，并行输出损失，克隆到克隆功能转移的好处。与传统模型相比，该模型保持了相似或更少数量的未知网络权重，但可以显着加快学习过程。该方法使用Mayo LDCT数据集进行了评估，并与现有的深度学习模型进行了比较。结果表明，使用并行输入、并行输出损失和克隆到克隆特征转移都有助于加速深度学习的收敛，并提高测试中的图像质量。并行克隆网络在LDCT图像去噪中的应用前景良好。

2020-05-14cs.CVeess.IV

基于结构保持核预测网络的低剂量CT去噪

Low-Dose CT Denoising Using a Structure-Preserving Kernel Prediction Network

SenseTime（商汤科技）

低剂量CT已成为一种关键的诊断成像方式，以减少辐射过量对患者健康的潜在风险。尽管最近取得了一些进展，但基于CNN的方法通常以空间不变的方式应用滤波器，并采用类似的像素级损失，这会同等对待CT图像的所有区域，并且当细粒度结构与非均匀分布的噪声共存时，效率可能会很低。为了解决这个问题，我们提出了一种结构保持核预测网络（StructKPN），它将核预测网络与结构感知损失函数相结合，该函数利用像素梯度统计数据并将模型引导到空间变化滤波器，以增强噪声去除，防止过度平滑并保留CT成像中不同区域的详细结构。大量的实验表明，我们的方法在合成和非合成数据集上都取得了优异的性能，并且更好地保留了临床筛选和低剂量方案优化中高度期望的结构。

2021-07-24cs.CVeess.IV

低剂量CT模型的扩散去噪

Diffusion Denoising for Low-Dose-CT Model

低剂量CT重建是医学图像分析中的一项重要任务。近年来，许多基于深度学习的方法被证明在这一领域是有效的。然而，这些方法大多遵循监督架构，其需要成对的全剂量和四分之一剂量的CT图像，并且解决方案高度依赖于特定的测量。在这项工作中，我们介绍了去噪扩散LDCT模型，被称为DDLM，产生无噪声的CT图像使用条件采样。DDLM使用预训练的模型，不需要训练也不需要调整过程，因此我们的建议是在无监督的方式。LDCT图像上的实验表明，DDLM的性能相当，使用更少的推理时间，超过其他国家的最先进的方法，证明了准确和有效的。执行代码将很快公开。

2023-02-07cs.CVcs.LGeess.IV

低剂量CT投影的无参考去噪

No-reference denoising of low-dose CT projections

Philips（飞利浦）

低剂量计算机断层扫描（LDCT）成为放射学的一个明显趋势，其目的是避免向患者提供过多的X射线辐射。辐射剂量的降低降低了患者的风险，但提高了噪声水平，影响了图像的质量及其最终的诊断价值。一种缓解选项是考虑成对的低剂量和高剂量CT投影，以使用深度学习算法训练去噪模型;然而，这种对在实践中很少可用。在本文中，我们提出了一种新的自监督CT去噪方法。与现有的自监督方法不同，该方法只需要噪声CT投影，并利用相邻图像之间的连接。在LDCT数据集上进行的实验表明，我们的方法几乎与监督方法一样准确，同时也优于所考虑的自监督去噪方法。

2021-02-03cs.AIcs.CVcs.LG

基于高效去噪扩散概率模型的低剂量PET全剂量全身PET合成：PET Consistency Model

Full-dose Whole-body PET Synthesis from Low-dose PET Using High-efficiency Denoising Diffusion Probabilistic Model: PET Consistency Model

Emory University（埃默里大学）；Memorial Sloan Kettering Cancer Center（纪念斯隆凯特琳癌症中心）；Medical University of South Carolina（南卡罗来纳医科大学）

针对PET成像中图像质量与辐射剂量的权衡问题，提出基于扩散的PET-CM模型，通过PET-VIT网络学习一致性函数实现低剂量到全剂量PET的高效合成，在两种低剂量场景下均达到SOTA性能且速度提升12倍。

2024-04-17cs.CVeess.IV

重新思考跨剂量PET去噪：通过残差噪声学习缓解平均效应

Rethinking Cross-Dose PET Denoising: Mitigating Averaging Effects via Residual Noise Learning

IWR, Heidelberg University（海德堡大学IWR）；Silicon Austria Labs（Silicon Austria实验室）；College of Medicine and Biological Information Engineering, Key Laboratory of Intelligent Computing in Medical Image, Ministry of Education, Northeastern University（医学与生物信息工程学院，医学图像智能计算教育部重点实验室，东北大学）；Department of Epidemiology & Global Health, Umeå University（流行病学与全球健康系，乌梅大学）

本文提出残差噪声学习框架，通过直接估计低剂量PET图像的噪声来提升跨剂量PET去噪性能，优于传统方法。

2026-05-14cs.CV

用于引导真实世界低剂量CT图像去噪的图块三元组相似度提纯

Patch Triplet Similarity Purification for Guided Real-World Low-Dose CT Image Denoising

School of Statistics and Data Science, Nankai University（南开大学统计与数据科学学院）；The First Affiliated Hospital of Xi’an Jiaotong University（西安交通大学第一附属医院）；Shanxi Engineering Research Center of Computational Imaging and Medical Intelligence（山西省计算成像与医学智能工程研究中心）

本文提出利用干净NCCT图像引导真实世界LDCT图像去噪，设计PTSP策略挑选高度相似图块三元组缓解空间未对齐，并改进SwinIR和HAT引入交叉注意力，在临床数据集上优于15种对比方法。

2025-02-01cs.CVeess.IV

用于无监督低剂量CT去噪的分块深度度量学习

Patch-wise Deep Metric Learning for Unsupervised Low-Dose CT Denoising

Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院（KAIST））；VUNO Corp.（VUNO公司）；Chungnam National University College of Medicine（忠南大学医学院）；Chungnam National University Hospital（忠南大学医院）

低剂量和高剂量CT图像的采集条件通常是不同的，因此经常会发生CT数的偏移。因此，基于无监督深度学习的方法（学习目标图像分布）通常会引入CT数失真，并对诊断性能产生不利影响。为了解决这个问题，在这里，我们提出了一种新的无监督学习方法，用于使用分块深度度量学习进行低剂量CT重建。其核心思想是通过拉取共享相同解剖结构的图像块的正对，并将具有相同噪声水平的负对相互推送来学习嵌入空间。因此，训练网络以抑制噪声水平，同时即使在图像平移之后也保留原始的全局CT数分布。实验结果证实，我们的深度度量学习在产生高质量去噪图像而不产生CT数偏移方面发挥着关键作用。

2022-07-14cs.CVeess.IV

基于预训练视觉模型与语义引导对比学习的解剖感知低剂量CT去噪

Anatomy-Aware Low-Dose CT Denoising via Pretrained Vision Models and Semantic-Guided Contrastive Learning

DAMO Academy, Alibaba Group（达摩院，阿里巴巴集团）；Hupan Lab（虎跑实验室）；Fudan University（复旦大学）；Shanghai Jiao Tong University（上海交通大学）；The First Affiliated Hospital Zhejiang University（浙江大学第一附属医院）

针对低剂量CT去噪忽略解剖语义的问题，提出解剖感知方法ALDEN，结合预训练视觉模型、对抗学习与语义引导对比学习，在多个数据集上实现SOTA性能，有效保留解剖结构并减少过度平滑。

2025-08-11cs.CVeess.IV

用于低剂量CT去噪的掩蔽自动编码器

Masked Autoencoders for Low dose CT denoising

University of Massachusetts Lowell（马萨诸塞大学洛厄尔分校）

低剂量计算机断层扫描（LDCT）减少了X射线辐射，但会因更多的噪声和伪影而影响图像质量。为了提高LDCT的图像质量，最近开发了大量的Transformer模型。然而，Transformer模型的成功依赖于大量成对的噪声和干净数据，这在临床应用中通常是不可用的。在计算机视觉和自然语言处理领域，掩蔽自编码器（MAE）由于其出色的特征表示能力，被认为是一种有效的无标记自训练方法。在这里，我们重新设计了经典的编码器-解码器学习模型，以匹配去噪任务，并将其应用于LDCT去噪问题。MAE可以利用未标记的数据，并在地面实况数据丢失时促进LDCT去噪模型的结构保留。Mayo数据集上的实验验证了MAE可以提高Transformer的去噪性能，并减轻对地面真实数据的依赖。

2022-10-10cs.CVcs.LGeess.IV

基于自注意谱归一化马尔可夫补丁GAN的非局部神经网络低剂量CT噪声感知训练

Noise Conscious Training of Non Local Neural Network powered by Self Attentive Spectral Normalized Markovian Patch GAN for Low Dose CT Denoising

在医疗实践中使用计算机断层扫描（CT）成像的爆炸性增长，提高了公众对患者相关辐射剂量的关注。然而，减少辐射剂量导致噪声和伪影增加，这不利地降低了扫描的可解释性。因此，一种先进的图像重建算法来提高低剂量ct的诊断性能成为研究人员的主要关注点，但由于该问题的不适定性，这具有挑战性。近年来，基于深度学习的技术已经成为低剂量CT（LDCT）去噪的主要方法。然而，仍然存在一些常见的瓶颈，这阻碍了基于深度学习的技术提供最佳性能。在这项研究中，我们试图减轻这些问题与三个新的吸积。首先，我们提出了一种新的卷积模块作为第一次尝试利用CT图像的邻域相似性去噪任务。我们提出的模块有助于提高去噪的显著幅度。接下来，我们转向CT噪声的非平稳性问题，并引入了一种新的噪声感知均方误差损失用于LDCT去噪。此外，上述损失也有助于减轻使用图像补丁训练CT去噪网络时所需的繁重工作。最后，我们提出了一种新的CT去噪任务的函数。传统的香草型协议往往忽略了精细的结构细节，而专注于全球协议。我们提出的神经网络利用自注意力和像素级GANs来恢复LDCT图像的诊断质量。我们的方法在2016年NIH-AAPM-Mayo Clinic低剂量CT Grand Challenge的公开数据集上进行了验证，其表现明显优于现有的最先进方法。

2020-11-11cs.CVcs.LGeess.IV

低剂量多帧螺旋计算机断层扫描的跨域去噪

Cross-domain Denoising for Low-dose Multi-frame Spiral Computed Tomography

Korea University（高丽大学）；IT University of Copenhagen（哥本哈根IT大学）；The Catholic University of Korea（韩国天主教大学）；Eunpyeong St. Mary’s Hospital（恩平圣玛丽医院）

本文针对商用多层螺旋CT提出一种两阶段跨域去噪方法，利用多层投影与体积重建的高冗余性缓解过度平滑问题，实验表明可去除70%噪声且不损失空间分辨率，临床主观评估优于现有方法。

2024-06-28cs.CVeess.IV

端到端三域 PET 增强：一种用于从低剂量 PET 正弦图重建标准剂量 PET 图像的混合去噪与重建框架

End-to-end Triple-domain PET Enhancement: A Hybrid Denoising-and-reconstruction Framework for Reconstructing Standard-dose PET Images from Low-dose PET Sinograms

ShanghaiTech University（上海科技大学）；Shanghai United Imaging Intelligence Co., Ltd.（上海联影智能医疗科技有限公司）；Shanghai Clinical Research and Trial Center（上海临床研究与试验中心）；Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）

提出端到端三域 TriPLET 框架，融合投影域去噪、小波域重建和图像域对抗评估，从低剂量 PET 正弦图恢复标准剂量图像，并取得最优相似度与信噪比。

2024-12-04cs.CVeess.IV

用于低剂量X射线CT去噪的深层高分辨率网络

Deep High-Resolution Network for Low Dose X-ray CT Denoising

University of Texas Southwestern Medical Centre（德克萨斯大学西南医学中心）

低剂量计算机断层扫描（LDCT）由于减少了对患者的辐射而在临床上是理想的。然而，LDCT图像的质量往往是次优的，因为不可避免的强量子噪声。受计算机视觉领域空前成功的启发，基于深度学习（DL）的技术已被用于LDCT去噪。尽管DL模型具有良好的噪声去除能力，但人们已经观察到DL去噪图像的分辨率受到影响，降低了其临床价值。为了缓解这个问题，在这项工作中，我们开发了一个更有效的去噪器，通过引入高分辨率网络（HRNet）。由于HRNet由子网络的多个分支组成，以提取多尺度特征，然后将其融合在一起，因此可以大大提高生成特征的质量，从而提高去噪性能。实验结果表明，引入HRNet的去噪优于基准UNet的去噪在优越的图像分辨率保持能力方面，而可比的，如果不是更好的，噪声抑制能力。均方根误差（RMSE）/结构相似性指数（SSIM）方面的定量指标表明，基于HRNet的去噪器可以将值从113.80/0.550（LDCT）提高到55.24/0.745（HRNet），而基于UNet的去噪器的值为59.87/0.712。

2021-02-01cs.CVeess.IV

DeVAR：通过视觉自回归建模实现低剂量CT去噪

DeVAR: Low-Dose CT Denoising via Visual Autoregressive Modeling

Shanghai Jiao Tong University（上海交通大学）；SenseTime Research（商汤科技研究院）；Shanghai Innovation Institute（上海创新研究院）

提出DeVAR框架，首次将视觉自回归建模（VAR）应用于低剂量CT去噪，通过下一尺度预测生成离散令牌图，并引入残差精炼器捕获细微结构，结合双表示混合训练策略，在公开数据集上取得最优性能。

2026-06-26cs.CVeess.IV

PFCM：用于低剂量CT图像去噪的泊松流一致性模型

PFCM: Poisson flow consistency models for low-dose CT image denoising

Stanford University（斯坦福大学）；KTH Royal Institute of Technology（瑞典皇家理工学院）；Karolinska University Hospital（卡罗林斯卡大学医院）；GE HealthCare（GE医疗）；Rensselaer Polytechnic Institute（伦斯勒理工学院）

本文提出泊松流一致性模型（PFCM），结合PFGM++稳健性与一致性模型单步采样，通过任务特定采样器实现低剂量CT去噪，在Mayo数据集上取得优异性能，并展示了临床泛化能力。

2025-02-24cs.CVeess.IV

FoundDiff：用于通用低剂量CT去噪的基础扩散模型

FoundDiff: Foundational Diffusion Model for Generalizable Low-Dose CT Denoising

Institute of Science and Technology for Brain-inspired Intelligence and MOE Frontiers Center for Brain Science, Fudan University（脑启发智能科学技术研究所和脑科学前沿中心，复旦大学）；Shanghai Key Lab of Intelligent Information Processing, School of Computer Science, Fudan University（智能信息处理上海市重点实验室，复旦大学计算机科学学院）；School of Cyber Science and Engineering, Sichuan University（四川大学网络科学与工程学院）；School of Biomedical Engineering, Shanghai Jiao Tong University（上海交通大学生物医学工程学院）

该研究针对现有低剂量CT去噪方法泛化性差的问题，提出基础扩散模型FoundDiff，采用DA-CLIP与DA-Diff的两阶段策略，在多数据集上验证了其优异去噪性能与泛化能力。

2026-09-01cs.CV

GCN-MIF：用于低剂量CT去噪的多信息融合图卷积网络

GCN-MIF: Graph Convolutional Network with Multi-Information Fusion for Low-dose CT Denoising

University of Electronic Science and Technology of China（电子科技大学）；West China Hospital, Sichuan University（四川大学华西医院）；West China No.4 Hospital, Sichuan University（四川大学华西第四医院）

低剂量计算机断层扫描（LDCT）辐射暴露低，对健康危害小，已被广泛用于肺癌和COVID-19的早期筛查。LDCT图像不可避免地受到复杂噪声的影响。据报道，使用卷积神经网络（CNN）的基于深度学习（DL）的LDCT去噪方法实现了令人印象深刻的去噪性能。尽管大多数现有的基于DL的方法（例如，编码器-解码器框架）可以经由下采样算子和3D CNN隐式地利用非局部和上下文信息，显式多信息（即，本地的、非本地的和上下文的）整合可能没有被充分地探索。为了解决这个问题，我们提出了一种新的基于图卷积网络的LDCT去噪模型，即GCN-MIF，显式地执行多信息融合去噪的目的。具体地说，通过构造片内和片间图，引入图卷积网络来利用像素之间的非局部和上下文关系。采用传统的CNN进行局部信息的提取。最后，建议GCN-MIF模型融合所有提取的本地，非本地和上下文信息。大量的实验表明，我们提出的GCN-MIF模型的有效性，定量和可视化的结果。此外，还对公共临床数据集进行了双盲读者研究，以验证去噪结果在结构保真度，噪声抑制和总体得分方面的可用性。模型和代码可在www.example.com上获得。

2022-04-17cs.CVeess.IV

循环约束对抗去噪卷积网络用于PET图像去噪：在大规模数据集上的多维验证，包含读者研究和真实低剂量数据

Cycle-Constrained Adversarial Denoising Convolutional Network for PET Image Denoising: Multi-Dimensional Validation on Large Datasets with Reader Study and Real Low-Dose Data

本文提出Cycle-DCN网络，通过整合噪声预测器、两个判别器和一致性网络，利用多种损失函数优化，有效提升低剂量PET图像的PSNR、SSIM和NRMSE，且在读者研究中获得高评分，具有临床相关性。

2024-10-31cs.CVeess.IVphysics.med-ph

基于自监督学习的伪CT图像对CT去噪

Self-Supervised Learning based CT Denoising using Pseudo-CT Image Pairs

DGIST（大邱庆北科学技术院）

最近，已经提出了能够执行图像去噪而无需地面真值标签的自监督学习方法。这些方法通过向图像添加随机或高斯噪声来创建低质量图像，然后训练用于去噪的模型。理想情况下，如果可以通过自我监督仅用少量训练样本生成高质量的CT图像，这将是有益的。然而，由于CT噪声的复杂性，CT去噪的性能通常受到限制。为了解决这个问题，我们提出了一种新的基于自监督学习的CT去噪方法。特别地，我们训练预训练CT去噪和噪声模型，其可以使用可用的LDCT和正常剂量CT（NDCT）对来预测来自低剂量CT（LDCT）的CT噪声。对于给定的测试LDCT，我们使用预训练的去噪和噪声模型生成伪LDCT和NDCT对，然后使用这些对更新去噪模型的参数以去除测试LDCT中的噪声。为了制作逼真的伪LDCT，我们从单个图像中训练多个噪声模型，并使用噪声模型的集合来生成噪声。我们在2016年AAPM低剂量CT大挑战数据集上评估了我们的方法。所提出的集成噪声模型可以生成逼真的CT噪声，因此我们的方法显着提高了现有的去噪模型训练的监督和自监督学习的去噪性能。

2021-04-06cs.CVeess.IV

LoMAE：用于低剂量CT去噪的低级视觉掩码自编码器

LoMAE: Low-level Vision Masked Autoencoders for Low-dose CT Denoising

University of Massachusetts Lowell（马萨诸塞大学洛厄尔分校）；Southeast University（东南大学）

针对低剂量CT去噪中配对数据稀缺的问题，提出低级视觉掩码自编码器LoMAE，通过重新设计编码器-解码器架构并引入MAE-GradCAM方法，有效提升了transformer的去噪性能，降低了对干净数据的依赖，并展现出良好的鲁棒性与泛化能力。

2023-10-19cs.CVeess.IV

级联卷积神经网络用于X射线低剂量CT图像去噪

A Cascaded Convolutional Neural Network for X-ray Low-dose CT Image Denoising

Gordon Center for Medical Imaging, Massachusetts General Hospital and Harvard Medical School（马萨诸塞州总医院与哈佛医学院戈登医学影像中心）

图像去噪技术是降低低剂量CT图像噪声水平和提高诊断可靠性的关键。基于机器学习的去噪方法在去除CT图像中复杂的、空间变化的噪声方面显示出巨大的潜力。但由于噪声的复杂性，去噪后的图像会出现一些残留伪影。在这项工作中，提出了一种级联训练网络，其中将训练好的CNN应用于训练数据集以启动新的训练并去除由去噪引起的伪影。迭代地构建卷积神经网络（CNN）的级联，以利用简单的CNN结构实现更好的性能。在2016年低剂量CT大挑战数据集上进行了实验，以评估该方法的性能。

2017-08-28cs.CVstat.ML

基于卷积神经网络的低剂量CT去噪

Low-dose CT denoising with convolutional neural network

College of Computer Science, Sichuan University（四川大学计算机学院）；National Key Laboratory of Fundamental Science on Synthetic Vision, Sichuan University（四川大学视觉合成图形图像技术国家级重点实验室）；Rensselaer Polytechnic Institute（伦斯勒理工学院）

为了降低潜在的辐射风险，低剂量CT受到了广泛关注。然而，简单地降低辐射剂量将导致图像质量的显著劣化。在本文中，我们提出了一种通过深度神经网络进行低剂量CT降噪的方法，而无需访问原始投影数据。训练深度卷积神经网络以逐块地将低剂量CT图像转换为正常剂量CT图像。视觉和定量评估表明所提出的方法具有竞争性的性能。

2016-10-02cs.CVphysics.med-ph

无监督的实时临床低剂量肝CT去噪与感知注意力网络

Unsupervised Denoising of Real Clinical Low Dose Liver CT with Perceptual Attention Networks

Department of Computing（计算系）；Harbin Institute of Technology（哈尔滨工业大学）

本文提出基于感知注意力网络的无监督低剂量肝CT去噪框架，结合U-Net、注意力机制和残差网络，通过感知损失提升医疗图像特征提取，利用真实临床数据集和医学评价标准验证方法有效性，满足临床需求。

2026-05-16cs.AIcs.CVeess.IV

通过基于深度学习的去噪算法实现实时的蒙特卡罗剂量计算的深度剂量插件

Deep Dose Plugin Towards Real-time Monte Carlo Dose Calculation Through a Deep Learning based Denoising Algorithm

University of Texas Southwestern Medical Centre（德克萨斯大学西南医学中心）

蒙特卡罗（MC）模拟被认为是放射治疗剂量计算的金标准方法。然而，实现高精度需要大量的仿真历史，这是耗时的。计算机图形处理单元（GPU）的使用大大加速了MC模拟，并允许在几分钟内计算典型的放射治疗计划的剂量。然而，一些临床应用要求MC剂量计算的实时的效率。为了解决这个问题，我们开发了一种实时的、基于深度学习的剂量降噪器，该降噪器可以插入到当前基于GPU的MC剂量引擎中，以实现实时的MC剂量计算。我们使用了两种不同的加速策略来实现这一目标：1）我们应用体素unshuffle和体素shuffle操作符来减少输入和输出大小，而不会丢失任何信息; 2）我们将3D体积卷积解耦为2D轴向卷积和1D切片卷积。此外，我们使用弱监督学习框架来训练网络，这大大减小了所需训练数据集的大小，从而使得训练模型能够基于快速微调适应不同的辐射束。实验结果表明，该去噪器可以运行在短短的39 ms，这是约11.6倍的速度比基线模型。因此，整个MC剂量计算管道可以在0.15秒内完成，包括GPU MC剂量计算和基于深度学习的去噪，实现了一些放射治疗应用所需的实时的效率，例如在线自适应放射治疗。

2020-12-23cs.CV

深度学习用于低剂量CT去噪

Deep Learning for Low-Dose CT Denoising

Ryerson University（瑞尔森大学）；University of Saskatoon Health Region（萨斯卡通健康区域大学）

低剂量CT去噪是一项具有挑战性的任务，许多研究人员都在研究。一些研究利用深度神经网络来提高低剂量CT图像的质量，取得了丰硕的成果。在本文中，我们提出了一种深度神经网络，它使用具有不同膨胀率的膨胀卷积而不是标准卷积，有助于在更少的层中捕获更多的上下文信息。此外，我们还通过创建快捷连接来使用残差学习，将图像信息从早期层传输到后期层。为了进一步提高网络的性能，我们引入了一个不可训练的边缘检测层，它可以提取水平、垂直和对角方向的边缘。最后，我们证明了通过均方误差损失和感知损失的组合来优化网络可以保留CT图像中的许多结构细节。该目标函数不会受到由感知损失引起的每像素损失和网格状伪影引起的过度平滑和模糊效果的影响。实验表明，对网络的每一次修改都能改善结果，而对网络复杂性的影响微乎其微。

2019-02-25cs.CVcs.LGeess.IV

JBFnet --低剂量CT联合双边滤波去噪算法

JBFnet -- Low Dose CT Denoising by Trainable Joint Bilateral Filtering

Friedrich-Alexander Universität Erlangen-Nürnberg (FAU)（埃尔朗根-纽伦堡弗里德里希-亚历山大大学）；Siemens Healthcare GmbH（西门子医疗有限公司）

深度神经网络在低剂量CT去噪方面取得了巨大成功。然而，这些深度神经网络中的大多数都有几十万个可训练的参数。这与神经网络固有的非线性相结合，使得深度神经网络难以理解，责任心低。在这项研究中，我们介绍了JBFnet，神经网络的低剂量CT去噪。JBFnet的体系结构实现了迭代双边滤波。联合双边滤波器（JBF）的滤波器函数是通过浅层卷积网络学习的。引导图像由深度神经网络估计。JBFnet分为四个滤波块，每个滤波块执行联合双边滤波。每个JBF块由112个可训练的参数组成，使得噪声去除过程非常简单。在滤波之后添加噪声图（NM）以保留高级特征。我们用10名患者的身体扫描数据训练JBFnet，并在AAPM低剂量CT Grand Challenge数据集上对其进行测试。我们将JBFnet与最先进的深度学习网络进行比较。JBFnet在去除噪声的同时保留结构方面优于测试数据集上的CPCE 3D，GAN和深度GFnet。我们进行了几次消融研究，以测试我们的网络架构和训练方法的性能。我们目前的设置实现了最佳性能，同时仍然保持行为问责制。

2020-07-09cs.CVcs.LGeess.IV

基于正弦图闪烁的零样本低剂量CT去噪

Zero-Shot Low-dose CT Denoising via Sinogram Flicking

Rensselaer Polytechnic Institute (RPI)（伦斯勒理工学院）

本文提出基于正弦图闪烁的零样本低剂量CT去噪方法，通过随机交换共轭射线生成内容一致但噪声不同的正弦图对，训练轻量级网络，仿真结果优于ZS-N2N等现有方法。

2025-04-10cs.CVeess.IV

AdaIN-Switchable CycleGAN用于有效的无监督低剂量CT去噪

AdaIN-Switchable CycleGAN for Efficient Unsupervised Low-Dose CT Denoising

Korea Advanced Institute of Science and Technology（韩国科学技术院）

最近，深度学习方法已被广泛研究用于低剂量CT去噪，这要归功于其卓越的性能，尽管计算时间很快。特别是，cycleGAN已被证明是一种强大的无监督学习方案，可以在不需要匹配高剂量参考数据的情况下提高低剂量CT图像质量。不幸的是，cycleGAN方法的主要限制之一是它在训练阶段需要两个深度神经网络生成器，尽管在推理阶段只使用其中一个。需要次级辅助生成器来执行周期一致性，但是额外的内存需求和可学习参数的增加是cycleGAN训练的主要障碍。为了解决这个问题，在这里，我们提出了一种新的cycleGAN架构，使用一个可切换的发电机。特别地，使用自适应实例归一化（AdaIN）层来实现单个生成器，使得通过简单地改变AdaIN代码，将低剂量CT图像转换为常规剂量CT图像的基线生成器可以切换为将高剂量转换为低剂量的生成器。由于共享的基线网络，额外的内存需求和权重增加被最小化，即使训练数据很小，训练也可以更稳定地进行。实验结果表明，该方法优于以前的cycleGAN方法，而只使用约一半的参数。

2020-08-13cs.CVcs.LGeess.IV

DoseBridge：用于肺调强质子治疗剂量预测的去噪扩散桥模型

DoseBridge: Denoising Diffusion Bridge Model for Dose Prediction in Lung Intensity-Modulated Proton Therapy

Corewell Health William Beaumont University Hospital（Corewell Health William Beaumont大学医院）

研究针对肺调强质子治疗剂量预测问题，提出DoseBridge去噪扩散桥模型，融合CT与射野几何信息，在52例患者数据上的多项指标优于对比模型，为放疗剂量预测提供新方法。

2026-08-12cs.CV

超低参数去噪：计算机断层扫描中的可训练双边滤波层

Ultra Low-Parameter Denoising: Trainable Bilateral Filter Layers in Computed Tomography

Friedrich-Alexander University Erlangen-Nürnberg（埃尔朗根-纽伦堡弗里德里希-亚历山大大学）；Fraunhofer Institute for Ceramic Technologies and Systems IKTS（弗劳恩霍夫陶瓷技术与系统研究所（IKTS））；Leibniz Institute for Analytical Sciences ISAS（莱布尼茨分析科学研究所（ISAS））；University Hospital Erlangen（埃尔朗根大学医院）；Institute for Nanotechnology and Correlative Microscopy e.V. INAM（纳米技术与关联显微镜协会研究所（INAM））

计算机断层扫描被广泛用作一种成像工具，以显示具有表达性骨-软组织对比度的三维结构。然而，CT分辨率和辐射剂量是紧密纠缠在一起的，突出了低剂量CT与复杂的去噪算法相结合的重要性。大多数数据驱动的去噪技术都基于深度神经网络，因此包含数十万个可训练的参数，这使得它们难以理解，并且容易出现预测失败。开发可理解且强大的去噪算法，实现最先进的性能，有助于在保持数据完整性的同时最大限度地减少辐射剂量。本文提出了一种基于双边滤波思想的开放源代码CT去噪框架。我们提出了一种双边滤波器，可以将其纳入深度学习管道，并通过计算其超参数及其输入的梯度流以纯粹的数据驱动方式进行优化。在纯图像到图像的管道和跨不同的域，如原始探测器数据和重建的体积，使用可微反投影层，去噪，证明。虽然每个滤波器层仅使用三个空间参数和一个范围参数，但所提出的去噪管道可以与具有数十万个参数的深度最先进的去噪架构竞争。在SSIM和PSNR方面，在X射线显微镜骨骼数据（0.7053和33.10）和2016年低剂量CT Grand Challenge数据集（0.9674和43.07）上实现了具有竞争力的去噪性能。由于具有明确效果的可训练参数数量极低，与大多数其他基于深度学习的去噪架构相比，在拟议的管道中随时保证预测可靠性和数据完整性。

2022-01-25cs.CVeess.IV

DU-GAN：基于双域U网的低剂量鉴别器生成对抗网络CT去噪

DU-GAN: Generative Adversarial Networks with Dual-Domain U-Net Based Discriminators for Low-Dose CT Denoising

Fudan University（复旦大学）；Sichuan University（四川大学）；Shanghai Center for Brain Science and Brain-inspired Technology（上海脑科学与类脑研究中心）

由于CT相关的X射线辐射对患者的潜在健康风险，LDCT在医学成像领域引起了极大的关注。然而，减少辐射剂量会降低重建图像的质量，从而损害诊断性能。已经引入了各种深度学习技术，通过去噪来提高LDCT图像的图像质量。基于GANs的去噪方法通常利用额外的分类网络，即神经网络，来学习去噪图像和正常剂量图像之间最具区别的差异，因此相应地正则化去噪模型;它通常关注全局结构或局部细节。为了更好地正则化LDCT去噪模型，本文提出了一种新的方法，称为DU-GAN，它利用GANs框架中基于U-Net的鉴别器来学习图像和梯度域中去噪图像和正常剂量图像之间的全局和局部差异。这种基于U-Net的去噪器的优点在于，它不仅可以通过U-Net的输出向去噪网络提供每像素的反馈，而且还可以通过U-Net的中间层在语义级别上关注全局结构。除了在图像域中进行对抗训练外，我们还在图像梯度域中应用另一种基于U-Net的训练，以减轻光子饥饿引起的伪影并增强去噪CT图像的边缘。此外，CutMix技术使基于U-Net的图像处理器的每像素输出能够为放射科医生提供置信度图，以可视化去噪结果的不确定性，从而促进基于LDCT的筛查和诊断。在模拟和真实世界的数据集上进行的大量实验表明，该方法在定性和定量方面都优于最近发表的方法。

2021-11-07cs.CVeess.IVphysics.med-ph

基于条件生成对抗网络的低剂量CT去噪

Sharpness-aware Low dose CT denoising using conditional generative adversarial network

Royal University Hospital（皇家大学医院）

低剂量计算机断层扫描（LDCT）在辐射受限的应用中提供了巨大的益处，但是由光子数量不足导致的量子噪声可能潜在地损害诊断性能。当前基于图像的去噪方法往往会对最终重建结果产生模糊效果，特别是在高噪声水平下。在本文中，提出了一种基于深度学习的方法来缓解这个问题。训练了一个对抗训练网络和一个清晰度检测网络来指导训练过程。在模拟和真实数据集上的实验表明，该方法的结果具有很小的分辨率损失，并且在定量和视觉上都取得了比现有方法更好的性能。

2017-10-19cs.CV

基于自监督物理的CT图像去噪

Self-supervised Physics-based Denoising for Computed Tomography

Philips Innovation Labs（飞利浦创新实验室）；Skolkovo Institute of Science and Technology（斯科尔科沃科学技术研究院）

计算机断层扫描（CT）由于其固有的X射线辐射而对患者造成风险，刺激了低剂量CT（LDCT）成像方法的发展。降低辐射剂量可以降低健康风险，但会导致测量噪声增加，从而降低组织对比度并导致CT图像中的伪影。最终，这些问题可能会影响医务人员的看法，并可能导致误诊。现代深度学习噪声抑制方法缓解了这一挑战，但需要低噪声-高噪声CT图像对进行训练，而这在常规临床工作流程中很少收集。在这项工作中，我们介绍了一种新的自监督方法，用于CT去噪Noise 2NoiseTD-ANM，可以在没有高剂量CT投影地面真实图像的情况下进行训练。与以前提出的自监督技术不同，所介绍的方法利用相邻投影和CT噪声分布的实际模型之间的连接。这样的组合允许仅使用原始噪声LDCT投影来进行可解释的无参考去噪。我们对LDCT数据的实验表明，所提出的方法达到了完全监督模型的水平，有时取代它们，很容易推广到各种噪声水平，并优于最先进的自监督去噪算法。

2022-11-01cs.CVeess.IV

基于ControlNet的三维扩散模型自适应全身PET图像去噪

Adaptive Whole-Body PET Image Denoising Using 3D Diffusion Models with ControlNet

提出基于3D ControlNet的扩散模型，通过预训练和微调实现全身PET图像自适应去噪，在视觉和定量指标上优于现有方法。

2024-11-08cs.CVeess.IVphysics.med-ph

可学习总变分与Lambda映射用于低剂量CT去噪

Learnable Total Variation with Lambda Mapping for Low-Dose CT Denoising

University of Michigan（密歇根大学）

本文提出可学习总变分框架，通过结合展开的总变分求解器与LambdaNet预测像素级正则化图，实现空间自适应平滑，实验显示在低剂量CT去噪中优于传统TV和FBP+U-Net。

2026-01-30cs.CV

基于深度字典网络的超低剂量CT去噪基础模型

A deep dictionary network-based foundation model for ultra-low-dose CT denoising

Yanshan University（燕山大学）；Capital Medical University（首都医科大学）；Beijing Friendship Hospital（北京友谊医院）；Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院）；Agency for Science, Technology and Research (A*STAR)（新加坡科技研究局）

针对超低剂量CT去噪中器官特异性方法泛化差的问题，提出基于深度字典网络的可解释基础模型，通过级联稀疏编码与动态字典实现统一多器官去噪，性能超越现有方法。

2026-09-16cs.CVcs.LGeess.IV

基于可逆发生器的无循环CycleGAN无监督低剂量CT去噪

Cycle-free CycleGAN using Invertible Generator for Unsupervised Low-Dose CT Denoising

Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院）

最近，CycleGAN被证明可以为低剂量X射线计算机断层扫描（CT）提供高性能，超快速的去噪，而无需配对的训练数据集。虽然由于周期一致性，这是可能的，但CycleGAN需要两个生成器和两个判别器来执行周期一致性，需要大量的GPU资源和技术技能进行培训。最近的一项建议是使用自适应实例规范化（AdaIN）的可调CycleGAN，通过使用单个生成器部分解决了这个问题。然而，仍然需要两个鉴别器和一个额外的AdaIN代码生成器用于训练。为了解决这个问题，在这里，我们提出了一种新的无周期的Cycle-GAN架构，它由一个单一的生成器和一个可编程逻辑控制器，但仍然保证周期的一致性。主要的创新来自于观察到可逆发生器的使用自动满足循环一致性条件，并消除了CycleGAN公式中的额外的冗余。为了使可逆发生器更有效，我们的网络实现在小波残差域。使用各种级别的低剂量CT图像进行的广泛实验证实，与传统的CycleGAN相比，我们的方法可以使用仅10%的可学习参数和更快的训练时间显着提高去噪性能。

2021-04-17cs.CVcs.LGeess.IV

MAN：面向高效高质量低剂量CT图像去噪的潜扩散增强多级抗噪声网络

MAN: Latent Diffusion Enhanced Multistage Anti-Noise Network for Efficient and High-Quality Low-Dose CT Image Denoising

School of Computer Science, University of Nottingham Ningbo China（诺丁汉大学宁波校区计算机科学学院）

针对扩散模型用于LDCT去噪时推理成本过高的问题，提出潜空间多级抗噪声网络MAN，在保持PSNR/SSIM竞争力的同时实现60倍以上加速。

2025-09-28cs.CV

FrequencyCT：频域自监督低剂量CT去噪

FrequencyCT: Frequency Domain Self-supervised Low-dose CT Denoising

School of Information Engineering, Nanchang University（南昌大学信息工程学院）；SKLMS, ICMSEC, Academy of Mathematics and Systems Science, Chinese Academy of Sciences（中国科学院数学与系统科学研究院SKLMS、ICMSEC）

提出FrequencyCT，一种在频域中利用噪声与真实信号分布差异生成伪样本的零样本自监督方法，用于低剂量CT去噪，并通过数据截断稳定优化，实验验证了其临床潜力。

2026-05-27cs.CV

渐进式 $\mathcal{J}$-不变自监督学习用于低剂量CT去噪

Progressive Masked Refinement Self-supervised Learning for Low-Dose CT Denoising

organization= IWR, Heidelberg University , city= Heidelberg , postcode= 69120 , state= Baden Württemberg , country= Germany；organization= Silicon Austria Labs , city= Linz , postcode= 4040 , state= Upper Austria , country= Austria；organization= Institute of Science Tokyo , addressline= , city= Tokyo , country= Japan；organization= College of Medicine；Biological Information Engineering, Northeastern University , city= Shenyang , postcode= 110169 , state= Liaoning , country= China；organization= Key Laboratory of Intelligent Computing in Medical Image, Ministry of Education , city= Shenyang , postcode= 110169 , state= Liaoning , country= China；organization= Department of Epidemiology \& Global Health, Umeå University , addressline= , city= Umeå , postcode= 90187 , country= Sweden

提出渐进式 $\mathcal{J}$-不变学习，通过逐步盲点去噪机制和噪声注入正则化，提升低剂量CT去噪性能，在Mayo数据集上优于现有自监督方法并接近监督方法。

2026-08-26cs.CV

IPv2: 一种改进的图像净化策略用于真实世界超低剂量肺CT去噪

IPv2: An Improved Image Purification Strategy for Real-World Ultra-Low-Dose Lung CT Denoising

Tianjin University of Science and Technology（天津科技大学）；Department of Radiology, Tianjin Hospital（天津医院放射科）

IPv2通过改进的图像净化策略，解决了超低剂量肺CT去噪中背景和肺实质处理不足的问题，提升了去噪效果。

2026-02-22cs.AIcs.CV