通过域与任务迁移高斯去噪器增强低剂量 CT 图像重建

低辐射剂量计算机断层扫描 (LDCT) 因投影数据中存在高噪声而极具挑战性。流行的 LDCT 图像重建方法是两阶段法，通常由滤波反投影 (FBP) 算法后接一个用于 LDCT 图像增强的神经网络组成。两阶段法因其简单性和潜在的计算效率而具有吸引力，推理时通常仅需一次 FBP 和一次神经网络前向传播。然而，目前最佳的重建质量由展开迭代法（如 Learned Primal-Dual 和 ItNet）实现，这些方法更为复杂，因此训练和推理的计算成本更高。我们提出了一种结合两阶段法的简单高效性与最先进重建质量的方法。我们的策略利用了在自然灰度图像高斯噪声去除任务上预训练的神经网络，并针对 LDCT 图像增强进行了微调。我们将此方法称为 FBP-DTSGD（域与任务迁移高斯去噪器），因为微调过程涉及从高斯去噪到增强 LDCT 图像的任务迁移，以及从自然灰度图像到 LDCT 图像的域迁移。对三种不同预训练高斯去噪器的消融研究表明，FBP-DTSGD 的性能不依赖于特定的去噪架构，表明高斯去噪领域的未来进展可使该方法受益。研究还显示，在自然图像上的预训练提升了 LDCT 重建质量，尤其是在训练数据有限的情况下。值得注意的是，预训练不涉及额外成本，因为使用的是现有的预训练模型。目前，所提出的方法在 LoDoPaB-CT 挑战赛中位居平均排名首位。