读论文《Diffusion Probabilistic Priors for Zero-Shot Low-Dose CT Image Denoising》

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)

(a)说明了从随机噪声生成低分辨率CT图像的过程。(b)描述了以低分辨率CT图像为条件生成高分辨率CT图像的过程。

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。