IPv2：面向真实低剂量肺部CT去噪的改进图像净化策略
计算机视觉与模式识别
2026-02-24 v1 人工智能
摘要
图像净化策略构建了一个具有对齐解剖结构的中间分布，有效纠正了真实低剂量CT与常规剂量CT图像之间的空间错位，显著提升了去噪模型的结构保持能力。然而，该策略存在两个内在局限：其一仅抑制胸壁和骨骼区域的噪声，背景区域未得到处理；其二缺乏针对肺实质的去噪机制。为此，我们系统性地重新设计原始图像净化策略，提出改进版IPv2。该策略引入三个核心模块：Remove Background (移除背景)、Add noise (添加噪声)和Remove noise (去除噪声)。这些模块使模型在训练数据构建过程中具备背景和肺组织区域的去噪能力，并通过精细化的标签构建在测试阶段提供更合理的评估协议。广泛实验表明，在我们先前建立的真实患者肺部CT数据集（剂量为2%）上，IPv2在多数主流去噪模型上均一致提升了背景抑制和肺实质恢复效果。代码已公开于https://github.com/MonkeyDadLufy/Image-Purification-Strategy-v2。
引用
@article{arxiv.2602.19314,
title = {IPv2: An Improved Image Purification Strategy for Real-World Ultra-Low-Dose Lung CT Denoising},
author = {Guoliang Gong and Man Yu},
journal= {arXiv preprint arXiv:2602.19314},
year = {2026}
}