D-PerceptCT：基于深度感知的低剂量 CT 图像增强方法
计算机视觉与模式识别
2025-11-19 v1
摘要
低剂量计算机断层扫描（LDCT）因其降低二次癌风险而广泛用于诊断和其他临床任务，但其图像质量因剂量降低而受损。虽然已提出许多有效方法增强 LDCT 质量，但许多方法会高估噪声并进行过度平滑，导致关键细节丢失。本文引入 D-PerceptCT，一种受人类视觉系统（HVS）关键原则启发的新型架构，用于增强 LDCT 图像。其目标是引导模型增强或保留感知相关特征，从而为放射科医生提供关键解剖结构和细微病理细节可视化的 CT 图像。D-PerceptCT 由两个主要模块构成：1）视觉双路径提取器（ViDex），将来自预训练 DINOv2 模型的语义先验与局部空间特征相集成，使网络在增强过程中能够包含语义感知能力；2）全局-局部状态空间模块，捕获长程信息和多尺度特征，以保留诊断所需的重要结构和细微细节。此外，我们提出一种新型深度感知损失，即深度感知相关性损失函数（DPRLF），灵感来自人类对比度灵敏度，以进一步强调感知重要特征。大量实验在 Mayo2016 数据集上表明，D-PerceptCT 方法在 LDCT 增强方面有效，较现有领先方法在结构和纹理信息保留方面表现更佳。
引用
@article{arxiv.2511.14518,
title = {D-PerceptCT: Deep Perceptual Enhancement for Low-Dose CT Images},
author = {Taifour Yousra Nabila and Azeddine Beghdadi and Marie Luong and Zuheng Ming and Habib Zaidi and Faouzi Alaya Cheikh},
journal= {arXiv preprint arXiv:2511.14518},
year = {2025}
}