自适应注意力引导的LDCT图像去噪条件扩散模型

来源：计算机工程与应用杂志2025年第19期北京时间：

作者：王少琦, 降爱莲, 马建芬

单位：太原理工大学 计算机科学与技术学院（大数据学院），山西 晋中 030600

摘要：相较于生成对抗网络（GAN）和卷积神经网络（CNN），扩散模型在图像生成中表现出更高的图像质量以及更稳定的训练过程。然而，在去除低剂量计算机断层扫描（LDCT）图像噪声和伪影的任务中，其生成结果的多样性会导致LDCT图像细节失真。虽然分类器引导（classifier guidance，CG）和无分类器引导（classifier-free guidance，CFG）控制了其多样性，但引入了额外的训练需求和对外部条件的依赖。提出了自适应注意力引导的条件扩散模型AACD（adaptive attention-guided conditional diffusion model），在保证生成图像一致性的同时，减少了额外训练，并降低了对外部条件的依赖。为进一步缓解图像细节失真问题，还在U-Net的下采样层基础上设计了多尺度上下文感知网络MSCAN（multi-scale context-aware network）。MSCAN通过下采样处理，关注并融合多尺度信息，有效提升了图像的细节。实验结果表明，MSCAN和AACD在峰值信噪比（PSNR）、结构相似性（SSIM）和均方根误差（RMSE）这三个指标上展现出了较强的竞争力。

关键词：低剂量CT,医学图像去噪,扩散模型,引导采样