CTDenoiser

校正流在无需干净目标的情况下显示出CT去噪潜力

研究人员探索了使用无条件校正流作为低剂量CT扫描去噪的方法，而无需干净的训练目标。他们的研究结果表明，校正流的一步积分是实现最小均方误差的最优选择，而进一步的积分步骤实际上会增加误差。实验表明，这种一步法在Noise2Noise对上进行直接回归时表现相当，优于额外的欧拉步。虽然监督卷积神经网络（CNN）取得了显著的进步，但无标签性能高度依赖于训练对如何处理相关的CT噪声，并且保真度增益并不总是能转化为可检测病灶的改善。