编辑推荐：
针对 CT、MRI、X 射线等医学影像中高斯 - 泊松混合噪声问题，研究人员提出无监督去噪模型。融合频域与空域信息，以边缘感知 L1 损失替代 MSE，用熵准则防过拟合。实验显示，较 DIP，PSNR↑10.7%、SSIM↑17.9%，60 次迭代达峰值，提升医学影像质量。
在医学影像的世界里，每一幅清晰的 CT、MRI 或 X 射线图像都可能成为医生洞察人体奥秘的关键窗口。然而，这些图像在采集过程中常常受到噪声的侵扰，尤其是高斯噪声与泊松噪声的混合干扰。高斯噪声源于电子设备的缺陷，如同图像上随机分布的 “小沙粒”；泊松噪声则与光子检测的量子特性相关，像一层模糊的 “薄纱” 笼罩着图像。它们不仅会模糊重要的解剖结构，还可能导致误诊风险上升，严重影响临床诊断的准确性和患者的治疗效果。传统的去噪方法在应对这种复杂噪声时往往力不从心，要么留下残余噪声，要么过度平滑导致关键信息丢失；监督学习方法虽有一定效果，却依赖大量标记数据，且难以在不同噪声模式中通用；而新兴的无监督学习方法如深度图像先验（DIP），又面临收敛速度慢、易过拟合以及光谱偏差等问题，无法有效保留高频细节。在这样的背景下，开展针对高斯 - 泊松混合噪声的高效去噪研究显得尤为迫切。
为了攻克这些难题，研究人员开展了相关研究。虽然文中未明确提及研究机构，但其使用的数据集包括来自国内外的 COVID-19 CT 切片、脑肿瘤 MRI 等，具有广泛的代表性。该研究成果发表在《Computers in Biology and Medicine》上，为医学影像去噪领域提供了新的思路和方法。
研究人员在 DIP 框架基础上进行创新，主要采用了以下关键技术方法：一是引入频域 - 空域混合输入机制，通过傅里叶变换从含噪图像中提取频域先验，仅使用振幅谱以捕捉能量分布并避免相位不稳定问题，同时保留空域信息以维持图像结构完整性；二是采用边缘感知 L1 损失函数替代传统的均方误差（MSE）损失，更好地保留关键解剖纹理；三是提出基于熵的动态早期停止准则，通过跟踪迭代过程中图像不确定性的变化来确定最佳停止点，无需外部验证数据即可有效防止过拟合。
实验结果
- 与传统方法对比：实验结果表明，该模型在去噪性能上显著优于传统 DIP 方法。与 DIP 相比，平均峰值信噪比（PSNR）提升了 10.7%，结构相似性指数（SSIM）提升了 17.9%。在收敛速度方面优势更为明显，仅需 60 次迭代即可达到峰值性能，而 DIP 和 DIP-AITV 分别需要 1360 次和 2990 次迭代才能达到类似效果，充分体现了该模型的高效性。
- 不同模态影像验证：研究在多种医学影像模态上进行了验证，包括 CT、MRI 和 X 射线图像。结果显示，该模型在不同模态下均能有效抑制高斯 - 泊松混合噪声，同时较好地保留图像中的高频解剖结构，如边缘和纹理等细节，证明了其广泛的适用性和稳定性。
结论与讨论
这项研究提出的无监督去噪模型为医学影像中高斯 - 泊松混合噪声的处理提供了一种高效、可靠的解决方案。频域 - 空域混合输入机制巧妙地结合了两种域的信息优势，既捕捉了全局的能量分布，又保留了局部的结构特征，有效缓解了光谱偏差问题，加速了模型收敛。边缘感知 L1 损失函数的应用确保了关键解剖结构的完整性，对于临床诊断至关重要。基于熵的早期停止准则则为模型训练提供了自适应的停止策略，避免了过拟合，提高了模型的泛化能力。
该研究成果具有重要的临床意义和应用价值。在实际医疗场景中，快速、准确的图像去噪对于提高诊断效率和质量至关重要。该模型的高效性和优越性能有望在临床实践中得到广泛应用，为医生提供更清晰、更准确的医学影像，助力疾病的早期发现和精准治疗。同时，该研究为医学影像去噪领域的发展提供了新的方向，其提出的混合域输入、自适应损失函数和动态停止准则等思路，可进一步拓展应用于其他图像恢复任务或与其他先进算法相结合，推动该领域的不断进步。
