在醫療影像領域，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量，從而影響診斷的準確性。全監督降噪方法在成像表現上更優越，但在真實臨床環境中獲取成對數據以進行訓練的難度較大，僅依賴合成數據進行訓練可能導致域適應問題。自監督或不配對降噪方法能夠直接利用真實臨床采集的數據進行網絡訓練，但需要對低劑量計算機斷層掃描數據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絡訓練的不穩定，進而影響降噪效果。因此，如何結合上述兩種方法的優勢，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機制以實現知識的迭代轉移，從而提高網絡對無標簽目標數據的去噪能力。同時，該研究提出了旨在增強訓練數據集風格多樣性與網絡魯棒性的風格泛化學習模塊。不同數據集的實驗結果證明了該框架的有效性，并展現出該框架在性能上優于現有的最先進方法。進一步，科研人員驗證了該框架在多種網絡架構中的泛化能力。
 

　　該研究結合全監督學習與無監督學習的優勢，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。
 

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

域自適應網絡架構