自我监督上下文子数据驱动的可调泛化扩散用于低剂量CT重建

于红博

摘要: 目前基于深度学习的低剂量CT去噪模型在很大程度上依赖于配对数据，并且泛化能力较差。即使更关注扩散模型也需要学习干净数据的分布以进行重建，在医学临床应用中很难满足这一要求。与此同时，基于自监督的方法面临着模型在扩展到其他剂量时泛化能力显著下降的挑战。为了解决这些问题，本研究提出了一种由自监督上下文子数据驱动的低剂量CT重建方法TurnDiff。首先，设计了一个基于LDCT投影域的去噪自增强相似性策略，为后续进展提供初始先验。随后，使用初始先验将知识蒸馏与深度潜在扩散模型的组合优化图像细节。预训练模型用于推断重建，并提出了像素级自校正融合技术，用于细粒度重建图像域以增强图像保真度，使用初始先验和LDCT图像作为指导。此外，该技术灵活应用于上下剂量甚至未知剂量的泛化。TurnDiff采用双域策略级联进行自监督LDCT去噪，仅需要LDCT投影域数据进行训练和测试。在基准数据集和真实世界数据上的综合评估表明，TurnDiff在重建和泛化方面始终优于最先进的方法。

更新时间: 2025-10-30 12:02:27

领域: cs.CV,cs.AI

下载: http://arxiv.org/abs/2509.23885v2