研究显示，每10mSv 计算机断层成像 (computed tomography，CT）扫描增加癌症风险0.05%，相当于吸烟540天；每年60万次儿童CT扫描将可能导致500例死亡。低剂量CT成像可有效降低患者辐射暴露并延长设备使用寿命，然而它通常会导致图像噪声和伪影增加，影响后续诊断。通过人工智能技术进行低剂量CT降噪或高清成像是当前医学影像的一个研究热点和重大的临床需求。
近日，我院胡翔云教授团队以“High-Definition Reconstruction of Low-dose CT Images”（低剂量CT高清重建）为主题，在期刊《IEEE Transactions on Instrumentation & Measurement》,《Neurocomputing》,《Biomedical Signal Processing and Control》发表了4篇研究论文。
研究团队提出了一种新颖的端到端无监督条带扫描扩散模型，训练和采样过程基于前一条带信息递增扫描，减少了扩散模型降维过程对医学图像细节的破坏，实现了端到端的去噪结果并有效保护纹理特征。我们首次使用最简单的卷积和注意力架构，全面探索适用于不同场景的无监督去噪方法。训练过程只需要常规剂量图像，即可实现不同剂量、厚度或设备下低剂量CT去噪，无需任何微调。在三个公开数据集上的大量实验证明了该方法的取得了最优性能，定量结果和盲评估表明，方法在视觉感知方面最接近常规剂量CT，有效地去除了噪声和伪影，并保留了病变细节和边缘清晰度。
图1. 在SINO-VISION与GE680跨设备条件下的低剂量CT去噪效果。
我院博士生苏波为论文第一作者，胡翔云教授为通讯作者。本研究得到武汉大学人民医院查云飞教授，万军教授，中南大学李建成院士等专家以及相关企业的帮助与支持，获得了湖北珞珈实验室专项基金（230100001）的资助。
引用信息：
[1]Bo Su, Jiabo Xu, Xiangyun Hu, Yunfei Zha, Jun Wan, Jiancheng Li, “Zero-shot low-dose CT denoising across variable schemes via strip-scanning diffusion models.” in Neurocomputing.
[2]Bo Su, Xiangyun Hu, Yunfei Zha, Zijun Wu, Yuncheng Ma, Jiabo Xu, and Baochang Zhang, “Zero-Shot Low-Dose CT Image Denoising via Patch-Based Content-Guided Diffusion Models.” in IEEE Transactions on Instrumentation and Measurement.
[3]Bo Su, Xiangyun Hu, Jiabo Xu, Kai Deng, Yunfei Zha, and Jun Wan, “Semi-supervised CT denoising via Text-Guided Mamba Diffusion Models.” in IEEE Transactions on Instrumentation and Measurement.
[4]Bo Su, Pengwei Dong, Xiangyun Hu, Benyang Wang, Yunfei Zha, Zijun Wuc, and Jun Wand, “Fast and Detail-preserving Low-Dose CT Denoising with Diffusion Model.” in Biomedical Signal Processing and Control.
