OES | 兼顾低剂量与高质量：基于多高斯聚类方差缩减的可解释低剂量CT图像增强【中山大学葛昕副教授团队】

针对低剂量CT图像噪声强、结构信息易被掩盖的问题，中山大学理学院葛昕副教授及其研究团队提出了一种基于直方图域的可解释图像增强算法mGCVR。相关成果近期以“Interpretable low-dose CT enhancement via multi-Gaussian cluster variance reduction”为题发表在Opto-Electron Science 。

与传统图像域和频谱域以及深度学习方法不同，mGCVR在直方图域探索低剂量CT的图像增强问题。研究团队发现，高剂量CT图像在灰度直方图上通常呈现出更紧凑的小方差分布特征，而低剂量CT由于噪声干扰，其灰度分布会出现明显扩散。基于这一观察，mGCVR在直方图域建立多高斯混合模型对图像灰度分布进行建模，并通过像素标签分配将图像像素划分为多个统计聚类。在此基础上，mGCVR通过像素级重赋值校正图像灰度分布，使得直方图呈现出与高剂量CT同样的小方差统计分布特征，算法原理如图1所示。

图1 mGCVR算法示意图

研究团队以离体斑马鱼为样本，分别利用多项评价指标评估了mGCVR算法在真实生物样本上的表现。实验结果表明，在辐射剂量大幅降低6倍的情况下，mGCVR能实现全局高保真的CT图像增强（图2）。

图2 mGCVR实现的斑马鱼CT图像增强

此外，该算法在极低光子数（仅为真值的1/80）的仿真测试中，仍表现出有效的噪声抑制能力（图3）。文中多样本实验表明，mGCVR能够灵活适配多样化的噪声特性，在不同扫描设备及组织特性下均具有极强的鲁棒性。这一成果充分体现了mGCVR在低剂量CT成像及相关科学成像中的广阔应用潜力。

图3 mGCVR对噪声水平及参数设置的鲁棒性

该工作得到了广州国家实验室科研任务专项(GZNL2026A03001，GZNL2025C03014-01)、广东省基础与应用基础研究基金（2023A1515011289）和广东省重点实验室（2024B1212010005，2024KSYS001）的支持。