基于深度图像先验框架的Rician噪声MRI去噪新方法：RD-DIP模型及其在医学影像处理中的应用

针对磁共振成像(MRI)中Rician噪声去除的难题，H.R. Iglesias-Goldaracena等提出了一种基于深度图像先验(DIP)框架的无监督学习方法RD-DIP。该研究创新性地将Rician最大似然估计融入DIP，结合DCT卷积正则化技术，在Brainweb数据集和真实MRI数据上验证了其优越性，显著提升了去噪性能并减少了伪影，为医学影像处理提供了无需标注数据的高效解决方案。

　　

磁共振成像(MRI)技术在现代医疗诊断中发挥着不可替代的作用，但图像采集过程中不可避免的Rician噪声严重影响了影像质量。传统基于高斯假设的去噪方法在处理这种非对称噪声时效果有限，而监督式深度学习又面临标注数据稀缺和伪影生成的困境。针对这一挑战，西班牙胡安卡洛斯国王大学(Universidad Rey Juan Carlos)的研究团队在《Neurocomputing》发表了一项突破性研究，提出名为RD-DIP的Rician噪声深度图像先验框架，为医学影像处理开辟了新路径。

研究团队通过三个关键技术实现创新：首先将Rician最大似然估计首次引入DIP框架构建新型损失函数；其次开发基于离散余弦变换(DCT)的卷积算子解决结构不适定问题；最后采用迭代Rician噪声扰动替代传统高斯扰动优化网络输入。实验使用Brainweb合成数据集和真实临床MRI数据，通过峰值信噪比(PSNR)、结构相似性(SSIM)等指标系统评估性能。

研究结果显示，在Rician噪声建模方面，提出的Rician_Norm保真项在σ=0.3的高噪声水平下，PSNR较基线DIP提升5.89dB。正则化方法比较中，DCT算子使边缘保留指数(EPI)达到0.92±0.011，显著优于总变分(TV)正则化。与现有技术对比实验表明，RD-DIP在σ≥0.2时超越BM3D-VST方法，且背景区域对比度噪声比指数(CNRI)接近0.97，有效解决了传统方法背景预测偏置问题。

特别值得注意的是，该方法在膝关节MRI等非脑部解剖结构的测试中展现出卓越的泛化能力，而依赖训练数据的DRCNet模型在这些场景下性能显著下降。这证实了无监督框架在临床多样化场景中的应用优势。

这项研究的核心价值在于建立了首个将Rician噪声统计特性与深度图像先验相结合的完整框架，其提出的技术路线不仅适用于MRI去噪，更为其他医学成像模态的噪声处理提供了方法论参考。研究人员特别强调，通过开源代码和标准化评估流程，该成果将推动医学图像处理领域可重复性研究的进展。未来工作可探索该框架在扩散加权MRI等低信噪比场景的扩展应用，以及三维体积数据处理的内存优化策略。