基于预训练视觉模型和语义引导对比学习的解剖感知低剂量CT去噪
图像与视频处理
2025-08-12 v1 计算机视觉与模式识别
摘要
为减少辐射暴露并提高低剂量计算机断层扫描（LDCT）的诊断效能，已开发出众多基于深度学习的去噪方法来减轻噪声和伪影。然而，这些方法大多忽略了人体组织的解剖语义，可能导致次优的去噪结果。为解决此问题，我们提出了ALDEN，一种解剖感知的LDCT去噪方法，将预训练视觉模型（PVM）的语义特征与对抗和对比学习相结合。具体来说，我们引入了一个解剖感知判别器，通过交叉注意力机制动态融合来自参考正常剂量CT（NDCT）的分层语义特征，使判别器能够进行组织特异性的真实性评估。此外，我们提出了一个语义引导的对比学习模块，通过对比来自LDCT、去噪CT和NDCT的PVM派生特征来强制解剖一致性，通过正样本对保留组织特异性模式，并通过双负样本对抑制伪影。在两个LDCT去噪数据集上进行的大量实验表明，ALDEN达到了最先进的性能，提供了优越的解剖保留能力，并显著减少了先前工作的过度平滑问题。在下游多器官分割任务（涵盖117个解剖结构）上的进一步验证证实了该模型保持解剖感知的能力。
引用
@article{arxiv.2508.07788,
title = {Anatomy-Aware Low-Dose CT Denoising via Pretrained Vision Models and Semantic-Guided Contrastive Learning},
author = {Runze Wang and Zeli Chen and Zhiyun Song and Wei Fang and Jiajin Zhang and Danyang Tu and Yuxing Tang and Minfeng Xu and Xianghua Ye and Le Lu and Dakai Jin},
journal= {arXiv preprint arXiv:2508.07788},
year = {2025}
}