基于 GAN 的低剂量计算机断层扫描成像去噪架构
图像与视频处理
2025-02-05 v2 计算机视觉与模式识别
机器学习
摘要
生成对抗网络 (GANs) 已成为低剂量计算机断层扫描 (LDCT) 成像领域的革命性要素，为平衡辐射剂量与图像质量这一长期难题提供了先进的解决方案。本综述全面综合了基于 GAN 的 LDCT 去噪技术的快速进展，考察了从基础架构到融合解剖先验、感知损失函数和创新正则化策略的最先进模型的演变。我们批判性地分析了各种 GAN 架构，包括条件 GAN (cGANs)、CycleGANs 和超分辨率 GAN (SRGANs)，阐述了它们在 LDCT 去噪背景下的独特优势和局限性。评估给出了基准和临床数据集上性能提升的定性和定量结果，指标包括 PSNR、SSIM 和 LPIPS。在肯定积极成果的同时，我们讨论了阻碍更广泛临床应用的挑战，包括 GAN 生成图像的可解释性、合成伪影以及对临床相关指标的需求。综述总结指出，基于 GAN 的方法通过定制化的 LDCT 去噪模型在精准医疗的进展中具有关键意义，凸显了人工智能在当代放射学实践中带来的变革性可能。
引用
@article{arxiv.2411.09512,
title = {GAN-Based Architecture for Low-dose Computed Tomography Imaging Denoising},
author = {Yunuo Wang and Ningning Yang and Jialin Li},
journal= {arXiv preprint arXiv:2411.09512},
year = {2025}
}