在醫(yī)療影像領域，低劑量計算機斷層掃描因輻射劑量低而被廣泛應用。然而，低劑量計算機斷層掃描帶來的噪聲問題嚴重影響圖像質(zhì)量，從而影響診斷的準確性。全監(jiān)督降噪方法在成像表現(xiàn)上更優(yōu)越，但在真實臨床環(huán)境中獲取成對數(shù)據(jù)以進行訓練的難度較大，僅依賴合成數(shù)據(jù)進行訓練可能導致域適應問題。自監(jiān)督或不配對降噪方法能夠直接利用真實臨床采集的數(shù)據(jù)進行網(wǎng)絡訓練，但需要對低劑量計算機斷層掃描數(shù)據(jù)中的噪聲分布做出理論假設。而這種假設與真實臨床噪聲分布的不匹配可能導致網(wǎng)絡訓練的不穩(wěn)定，進而影響降噪效果。因此，如何結合上述兩種方法的優(yōu)勢，解決域適應帶來的降噪問題，成為研究熱點。
 

　　近日，中國科學院蘇州生物醫(yī)學工程技術研究所鄭健團隊提出了基于迭代知識遷移和風格泛化學習的域自適應網(wǎng)絡架構。具體而言，科研人員提出了迭代知識遷移模塊。這一模塊結合知識蒸餾和EMA機制以實現(xiàn)知識的迭代轉(zhuǎn)移，從而提高網(wǎng)絡對無標簽目標數(shù)據(jù)的去噪能力。同時，該研究提出了旨在增強訓練數(shù)據(jù)集風格多樣性與網(wǎng)絡魯棒性的風格泛化學習模塊。不同數(shù)據(jù)集的實驗結果證明了該框架的有效性，并展現(xiàn)出該框架在性能上優(yōu)于現(xiàn)有的最先進方法。進一步，科研人員驗證了該框架在多種網(wǎng)絡架構中的泛化能力。
 

　　該研究結合全監(jiān)督學習與無監(jiān)督學習的優(yōu)勢，通過迭代知識遷移和風格泛化學習，解決了不同成像場景中噪聲模式變化的問題。這一成果有望為臨床實踐中的低劑量CT影像提供更高質(zhì)量的圖像處理技術，從而提高診斷的準確性和效率。
 

　　相關研究成果發(fā)表在Medical Image Analysis上。研究工作得到國家重點研發(fā)計劃等的支持。
 

域自適應網(wǎng)絡架構