PatchDenoiser：面向低剂量CT影像的参数高效多尺度补丁学习与融合去噪器
计算机视觉与模式识别
2026-03-12 v2 人工智能
摘要
低剂量CT影像对于减少癌症筛查、儿童影像和随访监测协议中的辐射暴露至关重要，但其质量常因低剂量获取、患者运动或扫描仪限制而受到噪声的破坏，影响临床解读和后续分析。传统滤波方法常常过度平滑并丢失细微解剖细节，而深度学习方法，包括CNN、GAN和transformer，可能难以保留此类细节或需要大规模计算密集型模型，限制了临床实用性。我们提出了PatchDenoiser，一个轻量级、高效能的多尺度补丁基去噪框架。它将去噪分解为局部纹理提取和全局上下文聚合，通过空间感知补丁融合策略进行融合。这种设计使其能够有效抑制噪声，同时保留细微结构和解剖细节。PatchDenoiser参数极少，计算复杂度远低于基于CNN、GAN和transformer的去噪器。在2016 Mayo低剂量CT数据集上，PatchDenoiser在PSNR和SSIM指标上一致优于最先进的CNN和GAN方法。它对切片厚度、重建核和HU窗口的变化具有鲁棒性，能够在无需微调的情况下跨扫描仪泛化，并相较于传统CNN去噪器参数减少约9倍，推理能耗减少约27倍。PatchDenoiser因此为医学影像去噪提供了一种实用、可扩展且计算高效的解决方案，平衡了性能、鲁棒性和临床可部署性。
引用
@article{arxiv.2602.21987,
title = {PatchDenoiser: Parameter-efficient multi-scale patch learning and fusion denoiser for Low-dose CT imaging},
author = {Jitindra Fartiyal and Pedro Freire and Sergei K. Turitsyn and Sergei G. Solovski},
journal= {arXiv preprint arXiv:2602.21987},
year = {2026}
}