Domain Progressive Low-Dose CT Imaging Using Iterative Partial Diffusion Model

Feiyang Liao

doi:10.1109/TMI.2024.3492260

Domain Progressive Low-Dose CT Imaging Using Iterative Partial Diffusion Model

2024-01-01

0

PRE

AI

DOI：10.1109/TMI.2024.3492260

原文链接

原文求助

摘要

En 中文

传统深度学习重建（DLR）方法在实践低剂量计算机断层扫描（LDCT）成像中应用较少，因为它们严重依赖数据特征的潜在分布相似性。然而，在真实的LDCT成像场景中，数据特征的分布高度多样且复杂，这限制了现有DLR方法的泛化能力。最近，扩散模型在LDCT成像领域展现出巨大潜力，一些早期研究已将其用于解决领域泛化问题。然而，它们仍面临高时间消耗、高分辨率训练困难以及去噪场景下性能下降等挑战。本文提出了一种以迭代部分扩散模型（IPDM）为核心的新型领域渐进式LDCT成像框架。首先，推导出的IPDM理论框架支持通过迭代完整扩散模型的一部分来完成去噪任务，利用了扩散模型的强大生成能力，同时缓解了时间消耗和收敛困难。其次，一种推导的条件引导采样方法缓解了由预测数据梯度和朗之万动力学偏差引起的采样偏差。最后，基于逐像素噪声估计的自适应权重策略可以逐步调整引导强度。在多样化数据集上的广泛测试表明，在视觉和定量评估中，我们的方法优于传统的迭代重建、无监督以及某些监督DLR方法，其性能与最先进的监督DLR技术相当。此外，我们的IPDM使用实际的常规剂量CT数据进行训练，而非测试的LDCT数据。这使得我们的方法在实际成像场景中比传统DLR方法具有更好的泛化能力。源代码可在https://github.com/LFY1998/IPDM-PyTorch获取。

Keyword:

LDCT

image denoising

deep learning

iterative partial diffusion model

Domain Progressive Low-Dose CT Imaging Using Iterative Partial Diffusion Model

摘要

期刊

机构

引用论文