基于扩散先验的CNN-Transformer网络在无监督低剂量CT去噪中的研究

摘要

针对低剂量CT图像去噪中依赖LDCT-NDCT(Low Dose CT-Normal Dose CT)配对数据的核心难题，本文提出一种基于扩散先验的无监督去噪模型CTDM(CNN-Transformer Diffusion Model)，通过构建噪声分布建模和跨尺度结构保持的联合学习框架，在无需配对数据约束下实现高保真CT图像去噪。首先，构建解剖先验约束的扩散概率模型，基于最大后验概率优化策略将预训练模型捕获的先验知识动态嵌入迭代去噪过程，实现无监督条件下的可靠噪声抑制。其次，设计CNN-Transformer双流混合网络，通过并行化局部-全局特征提取与自适应融合机制，在单阶段模型训练框架下实现高效去噪。相对于传统级联模型在显存和推理时间上的缺陷，本文采用单阶段训练策略，与多阶段串行去噪模型相比显著降低GPU显存消耗与推理时间。实验结果表明，CTDM在去噪性能上不仅优于当前最先进的无监督方法，其去噪效果甚至超越CTformer等有监督模型。

关键词

低剂量CT / 无监督去噪 / 扩散模型 / 混合网络