通过仿真训练的深度学习实现多谱 CT 去噪：来自 ESRF BM18 的实验结果
图像与视频处理
2025-09-11 v1
摘要
多谱计算断层扫描 (CT) 通过获取能量分辨投影数据实现了高级材料表征。然而，由于入射 X 射线能量分布在多个狭窄能量区间，每个区间的光子计数大幅降低于标准能量积分成像。这不可避免地引入了显著噪声，要么延长获取时间使扫描时长不可行，要么以强噪声伪影降低图像质量。为此，我们提出一种专为来自 ESRF BM18 束流线获取的多谱 CT 投影数据设计的专用神经网络去噪方法。该方法通过专门的子网络结合堆叠化归法和注意力机制，利用能角、空间和谱域之间的冗余性。我们在能角域中利用非局部相似性，在谱域中利用相邻能量带之间的相关性，从而实现鲁棒的去噪，同时保留细微结构细节。训练仅使用仿真数据复制 BM18 setup 的物理和噪声特征，验证在包含高 Z 和低 Z 材料的定制幻像扫描上进行。去噪后的投影数据和重建显示相较于经典去噪方法和基线 CNN 模型在图像质量上有显著提升。定量评估表明，所提方法在广泛的谱范围内均实现了卓越的性能，能够有效泛化到真实实验数据中，显著降低噪声而不损害结构保真度。
引用
@article{arxiv.2509.08528,
title = {Multispectral CT Denoising via Simulation-Trained Deep Learning: Experimental Results at the ESRF BM18},
author = {Peter Gänz and Steffen Kieß and Guangpu Yang and Jajnabalkya Guhathakurta and Tanja Pienkny and Charls Clark and Paul Tafforeau and Andreas Balles and Astrid Hölzing and Simon Zabler and Sven Simon},
journal= {arXiv preprint arXiv:2509.08528},
year = {2025}
}