用于零样本低剂量 CT 图像去噪的扩散概率先验
图像与视频处理
2023-07-17 v2 计算机视觉与模式识别
摘要
低剂量计算机断层扫描（CT）图像去噪是医学图像计算中的关键任务。近年来，基于监督深度学习的方法在该领域取得了显著进展。然而，这些方法通常需要成对的低剂量与正常剂量 CT 图像用于训练，而在临床环境中难以获取。现有的基于无监督深度学习的方法往往需要使用大量低剂量 CT 图像训练，或依赖专门设计的数据采集过程来获取训练数据。为克服这些局限，我们提出一种新颖的无监督方法，仅在训练时使用正常剂量 CT 图像，从而实现低剂量 CT 图像的零样本去噪。我们的方法利用了扩散模型这一强大的生成模型。我们首先训练一个级联无条件扩散模型，能够从低分辨率到高分辨率生成高质量的正常剂量 CT 图像。级联架构使高分辨率扩散模型的训练更为可行。随后，我们将低剂量 CT 图像作为似然引入扩散模型的反向过程，结合扩散模型提供的先验并迭代求解多个最大后验（MAP）问题以实现去噪。此外，我们提出自适应调整 MAP 估计中平衡似然与先验的系数之方法，从而适应低剂量 CT 图像中不同的噪声水平。我们在不同区域、不同剂量水平的低剂量 CT 数据集上测试了该方法。结果表明，我们的方法优于最先进的无监督方法，并超越若干基于监督深度学习的方法。代码见 https://github.com/DeepXuan/Dn-Dp。
引用
@article{arxiv.2305.15887,
title = {Diffusion Probabilistic Priors for Zero-Shot Low-Dose CT Image Denoising},
author = {Xuan Liu and Yaoqin Xie and Jun Cheng and Songhui Diao and Shan Tan and Xiaokun Liang},
journal= {arXiv preprint arXiv:2305.15887},
year = {2023}
}