基于图像净化策略的真实世界超低剂量肺部 CT 图像去噪框架
计算机视觉与模式识别
2025-11-20 v3 人工智能
摘要
计算机断层扫描（Computed Tomography，CT）是临床实践中至关重要的诊断工具，但与致使辐射暴露的健康风险不可忽视。低剂量 CT（Low-dose CT，LDCT）有助于减轻辐射暴露，但同时会导致图像质量下降。因此，研究人员一直致力于使用基于人工智能的图像增强技术从 LDCT 扫描中重建清晰图像。然而，这些研究通常依赖用于算法训练的合成 LDCT 图像，这会引入显著的领域偏移问题，限制了这些算法在真实世界场景中的实际有效性。为此，我们构建了一个来自志愿者的真实世界配对肺部数据集，称为 Patient-uLDCT（ultra-low-dose CT），通过对志愿者进行多次扫描获得。该数据集中低剂量图像的辐射剂量仅为正常剂量的 2%，显著低于传统 25% 的低剂量和 10% 的超低剂量水平。此外，为解决因呼吸运动在获取期间导致正常剂量和 uLDCT 图像之间解剖错位的问题，我们提出了一种新颖的净化策略来构建对应的对齐图像对。最后，我们引入了频域流匹配模型（Frequency-domain Flow Matching，FFM），实现了卓越的图像重建性能。代码已公开：https://github.com/MonkeyDadLufy/flow-matching。
引用
@article{arxiv.2510.07492,
title = {A Denoising Framework for Real-World Ultra-Low-Dose Lung CT Images Based on an Image Purification Strategy},
author = {Guoliang Gong and Man Yu},
journal= {arXiv preprint arXiv:2510.07492},
year = {2025}
}