基于渐进融合蒸馏网络和像素注意力的低剂量CT图像去噪方法 王欣怡，庞宝

《Applied Sciences》：Low-Dose CT Image Denoising Based on a Progressive Fusion Distillation Network with Pixel Attention Xinyi Wang and Bao Pang

　　

摘要

低剂量计算机断层扫描（LDCT）可以有效减少电离辐射；然而，由此产生的图像噪声和伪影会严重影响临床诊断的准确性。为了解决LDCT图像中噪声抑制与细节保留之间的平衡问题，本研究提出了一种基于深度学习（DL）的图像去噪方法，称为渐进式融合蒸馏网络（Progressive Fusion Distillation Network，简称PFDN）。该方法在信息多蒸馏网络（Information Multi-distillation Network，简称IMDN）的基础上，引入了像素注意力（Pixel Attention，简称PA）机制和渐进式融合策略，并设计了像素并行提取模块（Pixel Parallel Extraction Block，简称PPEB）以及渐进式融合蒸馏模块（Progressive Fusion Distillation Block，简称PFDB），以充分利用多尺度和多通道特征，从而通过高效的特征分离和重组优化图像去噪网络。此外，该方法还明确利用了LDCT图像特有的噪声特性，构建了一个适用于医学成像的端到端训练框架。实验结果表明，PFDN不仅能够有效减少图像噪声和伪影，还能在保证诊断相关图像结构的情况下提升整体图像质量。