面向高保真低剂量 CT 去噪的残差驱动漂移模型（RDDM）
图像与视频处理
2026-05-19 v1
摘要
低剂量 CT（LDCT）去噪是医学成像中重要且具挑战性的问题。尽管近期基于学习的方法在性能上取得了有希望的成果，但使用经典像素级目标优化的方法常产生过平滑的重构。现有主流生成模型，如扩散模型，虽提升了保真度，却因昂贵的多步骤迭代推理，限制了其实际应用中的实时性。为此，我们提出一种 Residual-Driven Drifting Model（RDDM）用于有效、高效且高保真的 LDCT 去噪。灵感来自最近提出的 Drifting Models，RDDM 将多步骤分布演化引入训练动力学，通过残差漂移场实现一步去噪。具体而言，残差漂移场由 LDCT 与正常剂量 CT（NDCT）之间的残差引起的吸引力场与由生成残差引起的排斥力场组成。此外，通过调整参数设置并纳入像素级监督，我们开发了三个 RDDM 变体，涵盖从细节保留到强噪声抑制的应用需求。广泛实验表明，RDDM 在监督基线中实现了最先进的去噪性能。特别是，RDDM-Fine 产生与 NDCT 高度一致的重构，实现卓越的 PSNR 与 SSIM，同时取得最佳 FID 5.87，同时保留真实解剖纹理。此外，RDDM 实现即时推理，仅需约 15 ms 对单个 512×512 LDCT 切片进行去噪。这些结果将 RDDM 确立为临床应用中高保真与实时 LDCT 去噪的有前景的解决方案。
引用
@article{arxiv.2605.17188,
title = {RDDM: A Residual-Driven Drifting Model for High-Fidelity Low-Dose CT Denoising},
author = {Jianxu Wang and Qing Lyu and Ge Wang},
journal= {arXiv preprint arXiv:2605.17188},
year = {2026}
}
备注
Code is available at: https://github.com/Jayx-Wang/RDDM