在医疗影像领域，低剂量计算机断层扫描（LDCT）因其辐射剂量低而被广泛应用。然而，LDCT所带来的噪声问题严重影响了图像质量，从而影响了诊断的准确性。全监督降噪方法在成像表现上更为优越，但在真实临床环境中，获取成对数据以进行训练的难度较大，仅依赖合成数据进行训练可能会导致域适应问题。自监督或不配对降噪方法能够直接利用真实临床采集的数据进行网络训练，但这需要对LDCT数据中的噪声分布做出理论假设，而这种假设与真实临床噪声分布的不匹配可能导致网络训练的不稳定，进而影响降噪效果。因此，如何结合这两种方法的优势，解决域适应带来的降噪问题，已成为当前研究的热点。
近日，苏州医工所郑健研究员团队提出了一种基于迭代知识迁移和风格泛化学习的域自适应网络架构（DANRF），如图1所示。具体而言，科研人员提出了迭代知识迁移（IKT）模块，该模块结合了知识蒸馏和EMA机制，以实现知识的迭代转移，从而提高网络对无标签目标数据的去噪能力。同时，还提出了风格泛化学习（SGL）模块，旨在增加训练数据集的风格多样性，增强网络的鲁棒性。不同数据集上的实验结果证明了该框架的有效性，显示出其在性能上优于现有的最先进方法，具体结果如图2所示。此外，科研人员还验证了该框架在多种网络架构中的泛化能力。本研究的创新之处在于结合了全监督学习与无监督学习的优势，通过迭代知识迁移和风格泛化学习，解决了不同成像场景中噪声模式变化的挑战。通过这一研究，有望为临床实践中的低剂量CT影像提供更高质量的图像处理技术，从而提高诊断的准确性和效率。
相关的理论成果发表于医学影像分析领域期刊Medical Image Analysis（中国科学院一区）。苏州医工所的博士研究生汤雨菲为论文的第一作者，郑健研究员和李铭副研究员为论文的共同通讯作者。该研究成果得到了国家重点研发计划（2022YFC2404103）、苏州市前沿技术-数字创新专项（人工智能）（SYG202345）等项目的支持。
论文链接：https://doi.org/10.1016/j.media.2024.103327
图1 DANRF结构：在源域预训练网络的指导下，IKT过程对目标域的无标签数据进行去噪，而SGL过程则通过合成图像扩充输入并提高网络的鲁棒性，两个过程迭代进行
图2 不同方法在真实临床低剂量CT成像中的降噪结果对比
附件下载：
