重新思考跨剂量 PET 去噪：通过残差噪声学习缓解平均效应
计算机视觉与模式识别
2026-05-18 v3
摘要
跨剂量去噪（cross-dose denoising）已用于低剂量正电子断层扫描（LDPET）中，以解决在单一噪声水平下训练的模型具有受限泛化能力的问题。然而，在不同剂量条件下训练的神经网络常因噪声幅度和统计特性的差异而难以泛化。传统的“通用方案”模型试图缓解这种变异性，但倾向于学习跨噪声水平的平均表示，导致性能下降。本文分析了这一局限性，表明标准训练公式在异构噪声分布上隐式优化期望，使网络学习的去噪映射无法准确建模剂量特有的噪声特征。我们提出一种统一的残差噪声学习框架，直接从低剂量 PET 图像中估计噪声，而非预测完整剂量图像。在来自两家医疗中心的大规模多剂量 PET 数据集上的实验表明，所提方法优于“通用方案”模型、单一剂量特定 U-Net 模型和剂量条件化方法，实现了改进的去噪性能。这些结果表明，残差噪声学习有效缓解了平均效应，显著提升了跨剂量 PET 去噪的泛化能力。
引用
@article{arxiv.2604.16925,
title = {Rethinking Cross-Dose PET Denoising: Mitigating Averaging Effects via Residual Noise Learning},
author = {Yichao Liu and Zongru Shao and Yueyang Teng and Junwen Guo},
journal= {arXiv preprint arXiv:2604.16925},
year = {2026}
}