DenoMamba：一种用于低剂量CT去噪的融合状态空间模型

低剂量计算机断层扫描（LDCT）降低了与辐射暴露相关的潜在风险，同时依赖先进的去噪算法来维持重建图像的诊断质量。LDCT 去噪的主流范式基于神经网络模型，该模型学习数据驱动的图像先验，以将剂量降低引起的噪声与潜在的组织信号分离开来。自然地，这些先验的保真度取决于模型捕捉 CT 图像中明显存在的大范围上下文特征的能力。早期的卷积神经网络（CNN）非常擅长高效捕捉短程空间上下文，但其有限的感受野降低了对长距离交互的敏感性。尽管基于自注意力机制的 Transformer 最近被提出以增加对长程上下文的敏感性，但由于模型复杂度增加，它们可能会在性能和效率上表现次优，特别是对于高分辨率 CT 图像。为了高质量地恢复 LDCT 图像，我们在此引入 DenoMamba，这是一种基于状态空间建模（SSM）的新型去噪方法，能够高效捕捉医学图像中的短程和长程上下文。遵循具有编码器-解码器阶段的沙漏架构，DenoMamba 采用空间 SSM 模块来编码空间上下文，并采用配备辅助门控卷积网络的新型通道 SSM 模块来编码每个阶段的通道上下文潜在特征。然后，来自这两个模块的特征图通过卷积融合模块（CFM）与低级输入特征整合在一起。在剂量减少 25% 和 10% 的 LDCT 数据集上的综合实验表明，DenoMamba 优于最先进的去噪器，在恢复图像质量方面平均改善了 1.4dB PSNR、1.1% SSIM 和 1.6% RMSE。