基于领域和任务转换的低剂量CT图像重建增强高斯去噪器

低剂量计算机断层扫描（LDCT）由于投影数据中的高噪声而具有挑战性。目前流行的LDCT图像重建方法是两阶段方法，通常包括滤波反投影（FBP）算法，随后通过神经网络进行LDCT图像增强。两阶段方法因其简单性和潜在的计算效率而受到青睐，通常只需要一次FBP和一次神经网络前向传递即可完成推理。然而，当前最佳的重建质量是由展开迭代方法（如Learned Primal-Dual和ItNet）实现的，这些方法更为复杂，因此在训练和推理过程中具有更高的计算成本。我们提出了一种结合两阶段方法的简单性和效率以及最先进的重建质量的方法。我们的策略利用了一个预先训练用于去除自然灰度图像中高斯噪声的神经网络，并对其进行微调以增强LDCT图像。我们将这种方法称为FBP-DTSGD（域和任务转移高斯去噪器），因为微调是从高斯去噪任务转移到增强LDCT图像的任务，并且从自然灰度图像域转移到了LDCT图像域。一项使用三种不同预训练高斯去噪器的消融研究表明，FBP-DTSGD的性能并不依赖于特定的去噪架构，这表明未来高斯去噪技术的进步可能会对该方法产生积极影响。研究还显示，基于自然图像的预训练可以提高LDCT重建质量，尤其是在训练数据有限的情况下。值得注意的是，预训练不会带来额外的成本，因为使用的是现有的预训练模型。所提出的这种方法目前在LoDoPaB-CT挑战赛中位居榜首。