La tomographie par ordinateur à faible dose de rayonnement (LDCT) est un défi en raison du bruit élevé dans les données de projection. Les approches populaires pour la reconstruction d'images LDCT sont des méthodes en deux étapes, généralement composées de l'algorithme de rétroprojection filtrée (FBP) suivi d'un réseau neuronal pour l'amélioration des images LDCT. Ces méthodes en deux étapes sont attractives par leur simplicité et leur potentiel d'efficacité computationnelle, nécessitant généralement une seule rétroprojection filtrée et une passe avant du réseau neuronal pour l'inférence. Cependant, la meilleure qualité de reconstruction est actuellement obtenue par des méthodes itératives déroulées (Learned Primal-Dual et ItNet), qui sont plus complexes et donc ont un coût computationnel plus élevé pour l'entraînement et l'inférence. Nous proposons une méthode combinant la simplicité et l'efficacité des méthodes en deux étapes avec une qualité de reconstruction de pointe. Notre stratégie utilise un réseau neuronal pré-entraîné pour le retrait du bruit gaussien des images en niveaux de gris naturelles, finement ajusté pour l'amélioration des images LDCT. Nous appelons cette méthode FBP-DTSGD (Domain and Task Shifted Gaussian Denoisers) car le finetuning représente un changement de tâche du retrait du bruit gaussien vers l'amélioration des images LDCT, ainsi qu'un changement de domaine des images naturelles en niveaux de gris vers les images LDCT. Une étude d'ablation avec trois différents débruiteurs gaussiens pré-entraînés indique que les performances de FBP-DTSGD ne dépendent pas d'une architecture spécifique de débruitage, suggérant que les progrès futurs dans le retrait du bruit gaussien pourraient bénéficier à la méthode. L'étude montre également que le pré-entraînement sur des images naturelles améliore la qualité de reconstruction des images LDCT, particulièrement lorsque les données d'entraînement sont limitées. Il convient de noter que le pré-entraînement n'implique aucun coût supplémentaire, puisque des modèles pré-entraînés existants sont utilisés. La méthode proposée occupe actuellement la première place moyenne dans le défi LoDoPaB-CT.