编辑推荐：
低剂量 CT（LDCT）虽能降低辐射风险，但图像存在大量噪声和伪影影响诊断。研究人员提出 RHA-Net 进行 LDCT 图像去噪研究。结果显示，该网络在多项指标上优于 8 种 SOTA 算法，展现出强大的泛化能力，对提升医学影像诊断准确性意义重大。
在医学领域，计算机断层扫描（CT）技术凭借其能提供详细人体断层图像的优势，广泛应用于疾病诊断、癌症筛查与分期、身体各部位穿刺活检以及常规健康体检等方面。然而，CT 扫描过程中患者会受到 X 射线辐射，一旦辐射剂量超过安全限度，便可能对健康造成潜在危害。于是，低剂量 CT（LDCT）技术应运而生，它旨在通过减少辐射剂量来降低风险。
但 LDCT 技术并非完美无缺，由于成像时辐射剂量降低，其图像中往往会出现大量噪声和伪影。这些问题严重影响了图像质量，给医生的诊断工作带来极大困难，就像在原本清晰的道路上设置了重重障碍，使医生难以准确判断病情。传统的 LDCT 去噪算法因噪声分布不均且缺乏明确噪声模型，效果不尽人意，在不同场景下的通用性也较差。基于深度学习的去噪方法虽有一定进展，但卷积神经网络（CNNs）存在感知野受限、过度关注局部特征的问题，而基于 Transformer 的方法在某些方面也并非尽善尽美。因此，如何提高 LDCT 图像的去噪效果，成为医学影像领域亟待解决的难题。
为了攻克这一难题，来自未知研究机构的研究人员开展了一项极具意义的研究，提出了一种名为残差混合注意力网络（RHA-Net）的创新方法，用于 LDCT 图像去噪。该研究成果发表在《Biomedical Signal Processing and Control》上，为医学影像诊断带来了新的希望。
在研究过程中，研究人员采用了多种关键技术方法。他们选取了 Mayo 数据集、LDCT-and-Projection-data 数据集和 Piglet 数据集，这些数据集包含了丰富的正常剂量 CT（NDCT）图像和对应的 LDCT 图像。通过对这些数据的分析，研究人员利用 RHA-Net 对 LDCT 图像进行处理。RHA-Net 主要包含二元并行卷积（DPC）模块、残差混合注意力（RHA）组，其中 RHA 组核心是多尺度特征提取（MSFE）模块，MSFE 模块又包含全局 - 局部特征提取块（GLB）和自适应特征融合（AFF）模块。利用这些模块协同工作，实现对 LDCT 图像的去噪处理。
下面来看看具体的研究结果：
- 实验结果对比：研究人员将 RHA-Net 与 RED-CNN、FourLLIE、Noise2Sim 等八种主流算法进行对比。在 Mayo 数据集的内部测试中，选取 L506 作为测试集，该测试集包含 211 对 3mm 切片 CT 图像。结果显示，RHA-Net 在客观评价指标上表现出色，平均峰值信噪比（PSNR）达到 33.8232，结构相似性指数（SSIM）为 0.9339，特征相似性指数（FSIM）为 0.7684，均方根误差（RMSE）为 5.3150，全面超越了其他八种算法。这表明 RHA-Net 在去噪的同时，能够更好地保留图像的细节信息，提高图像质量。
- 不同数据集测试：为进一步检验 RHA-Net 在不同数据集上的性能，研究人员从 LDCT-and-Projection-data 数据集中选取 477 对头部 CT 图像进行测试。结果发现，RHA-Net 在所有四个评价指标上都取得了高分，PSNR 相比 Noise2Sim 提高了约 12.8%。这充分证明了 RHA-Net 具有良好的泛化能力，能够适应不同类型的 LDCT 图像。
- 真实图像测试：研究人员还对 Piglet 数据集中的真实 LDCT 图像进行测试，RHA-Net 同样展现出优秀的去噪性能。这意味着在实际临床应用中，RHA-Net 有望为医生提供更清晰、准确的医学影像，辅助他们做出更精准的诊断。
在研究结论和讨论部分，RHA-Net 的优势得到了充分验证。通过一系列消融和对比实验，研究人员发现 DPC 模块、AFF 模块和 GLB 模块在 RHA-Net 中发挥着关键作用。这些模块相互协作，能够有效提取 LDCT 图像的全局和局部信息，在多尺度上生成互补特征，从而实现高效的去噪效果。与现有方法相比，RHA-Net 在定量和定性评价上都更胜一筹，其强大的泛化能力为 LDCT 技术在临床中的广泛应用提供了有力支持。这不仅有助于降低患者接受 CT 检查时的辐射风险，还能显著提升医学影像诊断的准确性，对推动精准医疗的发展具有重要意义。它就像一把精准的手术刀，为医生在诊断疾病时提供了更清晰、准确的依据，让患者能够得到更及时、有效的治疗。
