WIA-LD2ND: Wavelet-based Image Alignment for Self-supervised Low-Dose CT Denoising

在临床检查和诊断中，低剂量计算机断层扫描（LDCT）相比于正常剂量计算机断层扫描（NDCT）对于最小化健康风险至关重要。然而，减少辐射剂量会损害信噪比，导致CT图像质量下降。为了解决这个问题，我们基于频率角度的实验结果分析了LDCT去噪任务，然后介绍了一种新的自监督CT图像去噪方法，称为WIA-LD2ND，仅使用NDCT数据。所提出的WIA-LD2ND包括两个模块：基于小波的图像对齐（WIA）和频率感知多尺度损失（FAM）。首先，引入WIA通过向高频分量添加噪声来对齐NDCT和LDCT，这是LDCT和NDCT之间的主要区别。其次，为了更好地捕捉高频分量和详细信息，提出了频率感知多尺度损失（FAM），通过有效利用多尺度特征空间。对两个公共LDCT去噪数据集进行的广泛实验表明，我们的WIA-LD2ND仅使用NDCT，优于现有的几种最先进的弱监督和自监督方法。

本文旨在解决低剂量计算机断层扫描（LDCT）图像降噪的问题，以提高影像质量，同时减少辐射剂量对患者的危害。

本文提出了一种自监督的CT图像降噪方法，称为WIA-LD2ND，该方法仅使用正常剂量计算机断层扫描（NDCT）数据，通过两个模块实现对LDCT图像的降噪：基于小波的图像对齐（WIA）和频域感知的多尺度损失（FAM）。

实验结果表明，WIA-LD2ND方法在两个公共LDCT数据集上的表现优于现有的几种弱监督和自监督方法。本文的亮点在于提出了一种只使用NDCT数据的自监督降噪方法，并且通过WIA模块实现了LDCT和NDCT之间的对齐。

在这个领域中，最近的相关研究包括：1. 'Low-Dose CT Image Denoising Using a Generative Adversarial Network with Wasserstein Distance and Perceptual Loss'；2. 'Low-Dose CT Image Denoising Using a Convolutional Neural Network with Wasserstein Loss and Perceptual Loss'。