一种用于低剂量CT图像去噪的双交互式融合网络

《MEDICAL PHYSICS》：A dual-interactive fusion network for low-dose CT image denoising

低剂量CT图像因量子噪声和条纹伪影影响诊断，本研究提出DIFNet框架，集成双相位降噪架构、上下文感知训练策略及联合损失函数，在Philips和Siemens扫描器数据集上显著提升去噪效果并保持解剖细节，优于RED-CNN、EDCNN等方法。

　　

摘要

背景

低剂量计算机断层扫描（LDCT）已在临床成像中得到广泛应用，以减少辐射暴露。然而，LDCT中固有的量子噪声和条纹伪影会显著降低图像质量，从而影响诊断准确性。

目的

虽然传统的基于模型的迭代去噪（MBIR）方法通过严格的物理建模有效降低了噪声，但其应用受到较大计算开销的阻碍。基于深度学习的方法去噪能力很强，但在跨不同成像扫描仪和协议进行泛化时面临挑战。

方法

在本研究中，我们提出了双交互融合网络框架（DIFNet），用于LDCT图像处理，该框架整合了双相位去噪架构（DPDA）、上下文感知训练策略（CATS）以及组合的双相位损失函数。

结果

在两个使用不同飞利浦扫描仪获取的院内LDCT数据集上，我们的方法在降低噪声和伪影的同时保留了重要的解剖细节，并且在定性和定量评估中均优于现有的去噪方法，如RED CNN、EDCNN、DDPM和CTformer。在西门子扫描仪收集的公共Mayo-2016基准测试中的评估证实了DIFNet的稳健性和竞争力。消融实验进一步验证了我们整体网络设计的有效性及其核心组件的贡献。

结论

我们的研究结果展示了DIFNet在现实世界临床应用中的潜力，提高了诊断的可靠性和患者护理水平。所提出的框架通过平衡性能、稳健性和计算效率，推动了LDCT去噪技术的发展。

利益冲突声明

作者声明没有利益冲突。

数据可用性声明

支持本研究结果的数据可向相应作者提出合理请求后获得。