一个自我监督的扩散模型与边缘前对未配对的LDCT Denoising

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 图像处理 图像处理

背景情况:

• 低剂量计算机断层扫描 (LDCT) 最小化了辐射暴露,但引入了图像噪声和文物.
• 针对LDCT的深度学习方法面临诸如过度平滑和培训不稳定等挑战.
• 扩散模型提供了改进,但需要广泛的采样和配对训练数据,限制了实际使用.

研究的目的:

• 开发一个自我监督的传播模型,以有效地消除LDCT的恶意.
• 解决现有扩散模型的局限性,包括推断时间和数据要求.
• 为了提高无色图像的清晰度,并减少LDCT成像中的计算复杂性.

主要方法:

• 引入了一种自我监督的扩散模型,该模型包含了一个前边,用于未配对的LDCT无声化.
• 在较低维空间内利用denoising来减少计算负载.
• 在未配对CT数据上的自我监督培训中采用了噪声条件编码策略.
• 集成压缩LDCT编码作为中间采样结果以加快推断.

主要成果:

• 在PSNR,SSIM和LPIPS中实现了与最先进的方法相比具有竞争力的性能.
• 经过实践验证,推断时间大大缩短,可实现实时处理.
• 通过使用未配对数据,成功地对LDCT图像进行了无色化,克服了以前扩散模型的关键限制.

结论:

• 拟议的自我监督的扩散模型为LDCT图像消噪提供了一个高效和有效的解决方案.
• 该方法提高了图像质量,同时保持了实际的推理速度,使其适合临床应用.
• 这种方法推动了医疗图像处理领域的发展,通过减少数据和计算需求,实现了强大的无线化.