新型信号-噪声互补学习策略提升医学图像去噪性能

研究成果发表于IEEE Transactions on Medical Imaging，助力精准诊疗

近日，北京大学医学技术研究院卢闫晔团队（MILab@PKU）、北京大学肿瘤医院核医学科杨志教授团队联合联影医疗科研团队，在医学图像去噪领域取得重要进展。相关研究成果《Content-Noise Complementary Learning for Medical Image Denoising》已发表于医学影像顶级期刊IEEE Transactions on Medical Imaging（IF = 10.048）。

在医学图像采集与重建过程中，噪声难以避免，严重影响图像质量与临床诊断准确性。传统去噪算法如BM3D、NLM等存在过度模糊或细节丢失问题。相比之下，基于深度学习的方法在结构保留与噪声抑制方面表现更优，但现有方法多采用单一学习范式——直接学习干净图像或仅学习噪声，各有局限。

为此，研究团队提出一种新型“信号-噪声互补学习策略”（Content-Noise Complementary Learning, CNCL）。该策略通过两个并行卷积神经网络（CNN），分别学习干净图像和噪声成分，并设计融合机制实现互补输出，最终获得高质量去噪图像。研究基于生成对抗网络（GAN）框架，结合U-Net、DnCNN、SRDenseNet三种代表性CNN模型进行实现，并在PET/MR、CT及自然图像等多种场景下验证其有效性。

图1. CNCL的网络实现：（a）基于生成对抗网络框架的CNCL实现；（b）三种代表性CNN结构

在低剂量PET图像重建中，对比BM3D、U-Net、DnCNN、cGAN等方法发现，现有深度学习模型虽能有效降噪，但易将微小病灶误判为噪声而抹除。BM3D虽保留部分病灶信号，但图像模糊严重。而CNCL方法在显著抑制噪声的同时，完整保留了微小病灶细节，展现出更强的临床适用性。

图2. CNCL及对照方法在低剂量PET重建任务上的去噪效果对比

在快速扫描MR图像增强实验中，相比NLM及其他深度学习方法（U-Net、DnCNN、SCNN），CNCL在保持结构完整性方面优势明显，可从4倍下采样数据中恢复接近全采样质量的MR图像，显著提升成像效率。

图3. CNCL及对照方法在快速扫描MR图像增强任务上的去噪效果对比

研究进一步在CT与自然图像上验证CNCL的普适性，结果表明：无论在定量指标（RMSE、PSNR、SSIM）还是视觉质量方面，CNCL均优于当前主流去噪方法，具备广泛适用潜力。该策略有望成为医学图像去噪的通用解决方案，无需针对不同模态或任务定制专用网络结构。

项目完整训练代码与模型已在实验室官网开源，供学术交流使用。