FoundDiff：面向通用低剂量CT去噪的基础扩散模型
计算机视觉与模式识别
2025-08-26 v1
摘要
低剂量计算机断层扫描（LDCT）去噪对于降低辐射暴露并确保诊断学可接受的图像质量至关重要。尽管近年来深度学习（DL）取得了显著进展，但现有方法通常在特定剂量水平和解剖区域上训练，难以在多样化的扫描条件下处理多样化的噪声特征和解剖异质性，限制了其在临床场景中的通用性和鲁棒性。本文提出FoundDiff，一种用于统一和通用LDCT去噪的基础扩散模型，覆盖各种剂量水平和解剖区域。FoundDiff采用两阶段策略：（i）剂量-解剖感知与（ii）自适应去噪。首先，我们开发了剂量和解剖感知的对比语言图像预训练模型（DA-CLIP），通过专门的对比学习策略学习连续表示，以量化剂量变化的有序性并识别关键解剖区域。其次，我们设计了剂量和解剖感知的扩散模型（DA-Diff），通过基于Mamba的新型剂量和解剖条件块（DACB）将从DA-CLIP学习到的剂量和解剖嵌入有效地集成到扩散过程中，以实现自适应且通用的去噪。在涵盖八个剂量水平和三个解剖区域的两个公开LDCT数据集上进行的大量实验表明，FoundDiff在去噪性能上优于现有最先进的方法，并在未见过的剂量水平上展现出显著的泛化能力。代码和模型已在https://github.com/hao1635/FoundDiff 上提供。
引用
@article{arxiv.2508.17299,
title = {FoundDiff: Foundational Diffusion Model for Generalizable Low-Dose CT Denoising},
author = {Zhihao Chen and Qi Gao and Zilong Li and Junping Zhang and Yi Zhang and Jun Zhao and Hongming Shan},
journal= {arXiv preprint arXiv:2508.17299},
year = {2025}
}
备注
10 pages, 7 figures