论文题目:零样本低剂量CT图像去噪的扩散概率先验
论文地址:arxiv
项目地址:github
这篇论文主要研究了一种新的无监督方法,用于降低剂量计算机断层扫描(Low-Dose CT, LD-CT)图像的噪声。这种方法不需要成对的低剂量和正常剂量CT图像进行训练,而是仅使用正常剂量CT图像进行训练,以实现对低剂量CT图像的零样本去噪。
1. 引言 (Introduction)
- 论文首先介绍了低剂量CT的重要性,它减少了患者对X射线的暴露风险,但同时也导致了图像质量下降和噪声增加。
- 作者指出现有的深度学习方法通常需要大量的成对训练数据,这在临床环境中难以获得。
2. 方法 (Method)
![](https://i-blog.csdnimg.cn/direct/9ce21b9c88884702822c7bf38284263c.png)
A. 正常剂量CT图像生成的扩散模型 (NDCT Image Generation with Diffusion Models)
- 作者采用了两步级联的扩散模型来生成正常剂量CT图像。第一步是无条件扩散模型,从随机噪声生成低分辨率的正常剂量CT图像。第二步是条件扩散模型,以低分辨率图像为条件生成高分辨率图像。
B. 低剂量CT图像去噪的扩散先验 (Low-dose CT Image Denoising with Diffusion Priors)
- 论文提出了一种名为Dn-Dp(Denoising with Diffusion Prior)的算法,用于使用扩散先验进行低剂量CT图像去噪。算法首先在一般案例中描述,然后应用到特定的低剂量CT图像去噪问题。
-
提出了低剂量CT图像去噪的工作流程。(a)给出了基于无条件扩散模型的低分辨率图像的去噪过程。(b)以(a)的去噪结果为条件,说明了高分辨率图像的去噪过程。蓝色块代表去噪算法的一次迭代。
1) 迭代去噪与扩散先验 (Iterative Denoising with Diffusion Priors)
- 描述了使用预训练的扩散模型进行图像去噪的具体步骤,包括如何引入噪声图像y0,并在扩散模型的逆过程中解决多个最大后验概率(MAP)问题。
2) λ的自适应细化 (Adaptive Refinement of λ)
- 讨论了如何根据低剂量CT图像的不同噪声水平自适应调整λ系数,包括提出了两种策略:AdaLam-I和AdaLam-II。
-
λ粗降噪后的改进。在固定λ0去噪结果的基础上,可以推导出每幅低剂量CT图像的λada 0或Λada 0。随后,在时间步长r,我们可以恢复并使用λ进行更准确的去噪
3) 加速 (Acceleration)
- 论文提出了一种加速方法,通过间隔采样减少迭代生成过程的次数,以提高算法的效率。
3. 实现细节 (Implementation Details)
- 描述了数据集、网络架构和参数设置,包括使用的数据集、U-Net架构的细节、以及去噪算法的超参数。
-
扩散模型中使用的U-Net架构,其中R表示图像大小,d表示初始通道维度,{m[1],…, m[k]}表示信道乘法器。
4. 实验 (Experiments)
A. 正常剂量CT图像生成 (Normal-dose CT Image Generation)
- 展示了预训练级联扩散模型生成的高质量正常剂量CT图像。
B. λ的消融研究 (Ablation Study of λ)
- 评估了提出的λ细化策略的有效性,并展示了不同策略对去噪结果的影响。
C. 去噪性能比较 (Comparison of Denoising Performance)
- 将提出的方法与现有的低剂量CT图像去噪算法进行了比较,包括经典非学习方法、监督学习和无监督学习方法。
D. 讨论 (Discussion)
- 讨论了方法的局限性,包括模型参数的大小和计算时间。
5. 结论 (Conclusion)
- 总结了Dn-Dp算法的主要贡献和优势,以及未来的研究方向。