MIND：集成多尺度Transformer的医学图像自适应去噪框架
图像与视频处理
2025-08-14 v2 人工智能
计算机视觉与模式识别
机器学习
多媒体
摘要
医学图像在疾病诊断中的核心作用决定了其质量直接影响临床判断的准确性。然而，由于低剂量扫描、设备限制和成像伪影等因素，医学图像常伴随非均匀噪声干扰，严重影响结构识别和病灶检测。本文提出一种医学图像自适应去噪模型（MI-ND），集成多尺度卷积和Transformer架构，引入噪声水平估计器（NLE）和噪声自适应注意力模块（NAAB），实现由噪声感知驱动的通道-空间注意力调节和跨模态特征融合。开展了多模态公开数据集的系统性测试。实验表明，该方法在PSNR、SSIM和LPIPS等图像质量指标上显著优于对比方法，并在下游诊断任务中提高F1分数和ROC-AUC，显示出强大的实用价值和推广潜力。该模型在结构恢复、诊断灵敏性和跨模态鲁棒性方面具有突出优势，为医学图像增强和AI辅助诊疗提供了有效解决方案。
引用
@article{arxiv.2508.07817,
title = {MIND: A Noise-Adaptive Denoising Framework for Medical Images Integrating Multi-Scale Transformer},
author = {Tao Tang and Chengxu Yang},
journal= {arXiv preprint arXiv:2508.07817},
year = {2025}
}
备注
Accepted by the 7th International Conference on Intelligent Control, Measurement and Signal Processing (ICMSP 2025). 6 pages, 6 figures