近期，MILab在医学图像去噪研究方面取得新进展，医学影像领域顶级期刊IEEE Transactions on Medical Imaging （IF: 10.048）以长文（Regular Paper）形式在线发表了题为“Content-Noise Complementary Learning for Medical Image Denoising”的研究论文。
医学图像为临床疾病检测与诊断提供重要的辅助信息。然而在医学图像的采集或是图像重建的过程中，噪声的引入往往是不可避免的，进而降低了医学图像的成像质量和感观效果、影响医生对病情的诊断以及后续治疗方案的制定。大量研究表明，相较于传统的去噪算法（例如BM3D、NLM等），基于深度学习的去噪方法无论是在结构保留还是噪声消除方面均展现出了更优越的性能。当前基于深度学习的去噪方法要么直接学习干净的医学图像，要么先学习噪声然后通过全局残差（Residual Mapping）得到干净的医学图像。这两种学习范式都有其固有的优势：对干净图像的直接学习往往展现出更稳定的噪声消除性能，对噪声的学习有助于保留更多的结构细节以及避免模型训练中梯度消失或梯度爆炸等问题。
为了互补利用上述两种学习范式的优势，MILab研究团队提出了一种新型的信号—噪声互补学习策略（Content-Noise Complementary Learning, CNCL）用于医学图像去噪。该策略使用两个并行的卷积神经网络（Convolutional Neural Network, CNN）,一个直接学习干净的图像，另一个学习噪声。并通过一种特别设计的融合机制将两个CNN的输出进行互补融合，得到最终的干净图像。研究团队基于生成对抗网络（Generative Adversarial Networks, GAN）框架和三种具有代表性的CNN（包括U-Net、DnCNN、SRDenseNet）实现该策略并开展研究（图1），并在四种去噪场景中验证CNCL策略的去噪性能，包括：低剂量CT重建、低剂量PET重建、快速扫描MR图像增强、自然图像去噪。