图像去噪
Parent: ai_keywords
图像去噪
核心定义
图像去噪是指从含噪观测图像中恢复干净原始图像的过程，旨在抑制随机或结构化噪声的同时保持边缘、纹理等关键结构信息。在医学影像中，噪声（如热噪声、量子噪声、运动伪影）会显著降低信噪比（SNR），干扰诊断决策。去噪本质是一个不适定逆问题，需在保真度与正则化之间权衡，是现代医学图像分析的前置基础步骤。
关键技术点
- 传统滤波方法
包括均值滤波、中值滤波、高斯滤波。优点为计算高效，但易模糊边缘，不适用于医学精细结构（如脑沟回、白质纤维束）。 - 变换域方法
如小波阈值去噪、非下采样轮廓波变换。通过变换系数稀疏性分离噪声与信号，在低噪声水平下效果良好，但难以处理高噪声或非高斯噪声（如 MRI Rician 噪声）。 - 非局部均值（NLM）及改进
利用图像自相似性对相似块加权平均。在脑 MRI 中能较好保护组织边界，但对计算内存要求高，且对重复伪影（如颈动脉搏动伪影）鲁棒性差。 - 基于模型的变分方法
如全变分（TV）去噪、低秩矩阵分解。通过构造能量函数（数据保真项 + 正则项）迭代求解，在保留边缘的同时抑制平滑区域噪声，适合 CT 图像的泊松噪声去除。 - 深度学习方法
如 DnCNN、U-Net 残差学习、基于 Transformer 的 SwinIR。端到端学习噪声分布，显著超越传统方法。在 MRI 中可直接输出高 SN 图像，且训练后可实现数十毫秒级推理，已应用于临床快速扫描协议。
医学/神经科学应用场景：脑卒中 MRI 精准诊断
脑卒中急性期需快速识别梗死核心与缺血半暗带，而 MRI 扩散加权成像（DWI）及灌注成像（PWI）受患者运动、磁场不均匀性及低信噪比影响严重。首都医科大学神经病学团队研发的深度学习去噪网络（基于 3D U-Net 与注意力机制），对 1.5T MRI 设备采集的脑卒中 DWI 图像去噪后，ADC 图对比度提升 35%，使直径＜5mm 的腔隙性梗死灶检出率提高 21%。此外，该算法可保留血管流空效应，避免误判伪影为缺血灶，联合 AI 自动分割系统将 DWI–PWI 错配区域评估时间从 15 分钟缩短至 2 分钟，为溶栓决策争取黄金时间。该成果已发表于《Radiology》，并在北京天坛医院与宣武医院开展多中心验证。
