.png){kind=icon}
返回
FoundDiff: Foundational Diffusion Model for Generalizable Low-Dose CT Denoising
.png){kind=icon}
PRE
AI
DOI：10.1109/tmi.2026.3698474.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
低剂量计算机断层扫描（CT）去噪对于减少辐射暴露同时确保诊断可接受的图像质量至关重要。尽管近年来深度学习（DL）驱动取得了显著进展，但现有的基于DL的方法通常针对特定剂量水平和解剖区域进行训练，难以处理不同扫描条件下的多样化噪声特性和解剖异质性，限制了其在临床场景中的泛化能力和鲁棒性。本文提出FoundDiff，一种用于统一且通用的低剂量CT（LDCT）去噪的基础扩散模型，适用于不同剂量水平和解剖区域。FoundDiff采用两阶段策略：(i) 剂量-解剖感知和(ii) 自适应去噪。首先，我们开发了一种剂量-解剖感知的对比语言-图像预训练模型（DA-CLIP），通过利用专门的对比学习策略学习连续表示来量化序数剂量变化并识别显著解剖区域，从而实现稳健的剂量和解剖感知。其次，我们设计了一种剂量-解剖感知的扩散模型（DA-Diff），通过基于Mamba的新型剂量-解剖条件块（DACB）协同整合DA-CLIP中学习的剂量和解剖嵌入到扩散过程中，执行自适应且通用的去噪。在涵盖三个解剖区域的大型模拟多剂量CT数据集上的广泛实验，以及Mayo-2016、CQ500和仔猪数据集上的跨数据集评估，证明了其卓越的去噪性能和针对未见剂量水平及解剖区域的强大泛化能力。代码和模型可在https://github.com/hao1635/FoundDiff获取。
Keyword:
CT denoising
foundation model
generalization
CLIP
Mamba
diffusion model
期刊
IF:
9.8
论文数:
6.3K
被引数:
3.7W
机构
引用论文
Fast and flexible X-ray tomography using the ASTRA toolbox使用ASTRA工具箱进行快速灵活的x射线断层扫描.png)
OPTICS EXPRESS
OAAI
OPTICS EXPRESSIF3.3
OAAI分享收藏Diffusion probabilistic priors for zero-shot low-dose CT image denoising零激发低剂量CT图像去噪的扩散概率先验MEDICAL PHYSICS
OAAI
MEDICAL PHYSICSIF3.2
OAAI分享收藏
查看更多内容