基于多尺度自适应残差冷扩散模型的低剂量CT去噪技术研究

为解决低剂量CT(LDCT)图像噪声严重、传统去噪方法依赖投影数据且易丢失细节等问题，研究人员提出多尺度自适应残差冷扩散模型(MarCoDiff)。该模型通过余弦均值保持退化算子(CMPD)加速采样，结合自适应频率调节模块(AFAM)和多尺度残差块(MRAB)，在三个LDCT数据集上实现优于现有方法的去噪性能，代码已开源。研究为临床诊断提供了高保真CT图像重建方案。

　　

在医学影像领域，低剂量计算机断层扫描(LDCT)虽能降低患者辐射风险，但其图像常被噪声和伪影严重干扰。传统方法如正弦图滤波依赖原始投影数据(多数厂商不提供)，迭代重建计算复杂，而基于卷积神经网络(CNN)的RED-CNN、EDCNN等方法易丢失全局信息。更棘手的是，主流扩散模型(如DDPM)需千步采样，且高斯噪声假设难以处理LDCT混合噪声模式。

杭州师范大学的研究团队在《Expert Systems with Applications》发表研究，提出多尺度自适应残差冷扩散模型(MarCoDiff)。该模型创新性地将冷扩散(Cold diffusion)的确定性采样能力与LDCT物理特性结合：1) 设计余弦均值保持退化算子(CMPD)，用余弦调度策略替代随机噪声，将LDCT图像作为退化终点，使采样步骤从千级降至百级；2) 构建两阶段去噪网络，通过自适应频率调节模块(AFAM)动态融合时空域特征，解决过平滑问题；3) 采用混合膨胀卷积上下文块(HCB)捕获多尺度上下文，配合多尺度残差自适应块(MRAB)实现从粗到细的特征重建。实验使用临床LDCT数据集和合成数据集验证，相比UNeXt等模型，MarCoDiff在PSNR指标上提升2.1dB，且对变异噪声水平展现更强鲁棒性。

关键技术包括：1) 基于余弦退化的冷扩散框架；2) 融合空间-频率域信息的AFAM模块；3) 混合膨胀率设计的HCB模块；4) 动态卷积与可变形卷积集成的MRAB结构。

研究结果
LDCT image denoising
对比实验显示，MarCoDiff在Mayo Clinic等数据集上PSNR达38.7，显著优于RAD-UNet(36.2)和传统扩散模型(35.9)，尤其对肺结节等微小结构保留更完整。

Multi-scale adaptive residual Cold diffusion model
CMPD算子使采样步骤缩减至300步，速度较DDPM提升3倍；AFAM通过小波变换分离高频(噪声)与低频(结构)成分，噪声抑制率提升17%。

Experimental studies
消融实验证实：移除MRAB会导致边缘SSIM值下降0.05，而去除HCB使肝血管等细长结构的重建误差增加23%。

结论与意义
该研究首次将冷扩散的确定性优势引入LDCT去噪领域：1) CMPD算子突破传统扩散模型对随机噪声的依赖，更贴合CT物理退化过程；2) 多尺度自适应机制解决CNN各向同性卷积的局限性，对条纹伪影的抑制效果提升40%；3) 开源模型为临床提供可解释的AI辅助诊断工具。未来可扩展至MRI等多模态医学图像重建。