低剂量 CT 去噪：基准、数据集与工具库
最近更新：
做低剂量 CT 去噪，应在 2016 年 AAPM 低剂量 CT 大挑战的 Mayo Clinic 数据（现以 LDCT-and-Projection-data 在 TCIA 发布）以及主要的模拟基准 LoDoPaB-CT 上评估。几乎每一篇低剂量 CT 论文至今仍在 AAPM 的切分上报告结果。重建可以用 ASTRA Toolbox、TIGRE、ODL 或 CIL 等开源工具库；如果需要数据集里没有的剂量水平，可以用 LD-CT simulator 生成。
目录目前收录 69 篇低剂量 CT 论文，其中 20 篇附代码。下面的表格都由这些记录生成。
基准对比
以下是低剂量 CT 主题页列出的基准与评估协议，包括各自的起始年份和评估内容。每个条目都有自己的页面，列出目录中在其上报告结果的论文。
| 名称 | 年份 | 评估内容 |
|---|---|---|
| AAPM Low-Dose CT Grand Challenge | 2016 | 确立了 1/4 剂量 / 10% / 5% 协议与 Mayo 腹部队列的挑战赛。几乎每一篇低剂量 CT 论文至今仍在该切分上报告结果。 |
| LoDoPaB-CT benchmark | 2021 | 在 LoDoPaB-CT 切分上以大挑战赛方式评测，并发布经过调优的 FBP+U-Net 参照基线，使改进幅度可度量。 |
| SPIE-AAPM-NCI LungX Challenge | 2015 | 低剂量筛查 CT 上的肺结节良恶性诊断分类——任务是对照放射科医师做诊断，而非结节检测。共 70 例（10 训练、60 测试），数据经 TCIA 分发。 |
| Noise2Noise denoising protocol | 2018 | 让「无需干净真值即可训练去噪器」流行起来的参照实现。在 CT 上它成为标准的「无干净真值」评测协议——多数无监督 CT 去噪论文都在此设定下、用 Mayo-LDCT 式切分报告结果。 |
数据集
投影域或双域方法需要原始正弦图；图像域去噪器也可以在重建好的切片上训练。“数据”一列说明每个数据集提供的是哪一种。
| 名称 | 数据 | 成像方式 | 许可 |
|---|---|---|---|
| LoDoPaB-CT | 投影 + 图像 | 2D fan-beam | CC BY 4.0 |
| LDCT-and-Projection-data | 投影 + 图像 | helical CT | CC BY 4.0 (head scans NIH controlled access) |
| COBRA2026 | 投影 + 图像 | cone-beam | CC BY-NC 4.0 |
| Walnut-21 (two dose levels) | 仅投影 | cone-beam | CC BY 4.0 |
| LIDC-IDRI | 未注明 | helical CT | CC BY 3.0 |
| STOIC 2021 | 未注明 | CT | CC BY-NC 3.0 |
| MosMedData | 未注明 | CT | CC BY-NC-ND 3.0 |
| LoDoInd | 未注明 | industrial cone-beam CT | CC BY-NC 4.0 |
工具库
通用重建工具库提供投影算子和迭代求解器，PyTorch 库提供学习型方法和展开方法，模拟器则把全剂量图像转换成逼真的低剂量图像。表中的许可是各工具库自己的许可。
| 名称 | 语言 | 许可 | 提供什么 |
|---|---|---|---|
| ASTRA Toolbox | C++ / Python / MATLAB | GPL-3.0 | 历史悠久的研究型工具箱，投影算子与算法覆盖面很广；CPU/GPU 上的参照基线。 |
| TIGRE | MATLAB / Python | BSD-3-Clause | GPU 加速（CUDA）的锥束与平行束 CT 工具箱；提供 FDK、SART、SIRT、CGLS 及 TV 变体。 |
| ODL | Python | MPL-2.0 | 算子离散化库——以泛函分析的框架组织逆问题，内置 CT 几何。 |
| Core Imaging Library (CIL) | Python | Apache-2.0 | CCPi 的变分 CT 重建框架，附有一整套优化算法目录。 |
| DeepInverse | Python | BSD-3-Clause | 面向成像逆问题的 PyTorch 库——物理算子、学习型去噪器、展开网络与基准测试。 |
| LION | Python | GPL-3.0 | 学习式迭代优化网络——基于 PyTorch 的展开式重建，用于 CT 与 PET。 |
| LD-CT simulator | MATLAB | See repository | 低剂量 CT 仿真器，用经过验证的噪声模型把高剂量图像转成逼真的低剂量对应图像。 |
| Physics-ArX | Python | See repository | 基于物理的数据增强库，把真实的 CT/CBCT 噪声、散射与伪影模型注入既有图像，以构造成对训练数据。 |
从哪里开始
低剂量 CT 主题页中维护者挑选的入门论文：标准 CNN 基线、带感知损失的 GAN、Transformer、LoDoPaB-CT 的数据描述论文，以及一个自监督方法。更多无需干净目标的方法见自监督主题页。
| 论文 | 发表出处 | 年份 | 推荐理由 |
|---|---|---|---|
| Low-Dose CT with a Residual Encoder-Decoder Convolutional Neural Network · code | TMI | 2017 | 残差编码器-解码器 CNN，已成为图像域去噪的标准基线，附代码。 |
| Low Dose CT Image Denoising Using a Generative Adversarial Network with Wasserstein Distance and Perceptual Loss · code | TMI | 2018 | 引入 Wasserstein GAN 训练与感知损失，避免低剂量图像被过度平滑，附代码。 |
| CTformer: Convolution-Free Token2Token Dilated Vision Transformer for Low-Dose CT Denoising · code | PMB | 2023 | 一个不含卷积的视觉 Transformer 低剂量 CT 去噪方法，附代码；是 Transformer 类方法的良好代表。 |
| LoDoPaB-CT, a benchmark dataset for low-dose computed tomography reconstruction · code | Scientific Data | 2021 | LoDoPaB-CT 基准数据集的数据描述论文，附参考代码；在该数据集上报告结果前值得一读。 |
| Self-Supervised Training For Low-Dose CT Reconstruction | ISBI | 2021 | 只用含噪测量训练低剂量重建网络，无需全剂量目标图像。 |
相关页面
常见问题
低剂量 CT 去噪的标准基准是什么？
2016 年 AAPM 低剂量 CT 大挑战中的 Mayo Clinic 数据，它确立了 1/4 剂量 / 10% / 5% 协议，几乎每一篇低剂量 CT 论文至今仍在该切分上报告结果。这批数据现以 LDCT-and-Projection-data 在 TCIA 发布。LoDoPaB-CT 则是主要的模拟基准。
哪些低剂量 CT 数据集提供投影数据？
在本站有单独页面的低剂量数据集中，提供投影数据的有：LoDoPaB-CT、LDCT-and-Projection-data、COBRA2026、Walnut-21 (two dose levels)。其余数据集见上方的数据集表格。
只用 LoDoPaB-CT 够吗？
它由 LIDC/IDRI 胸部扫描仿真而来，只有单一噪声水平（N0 = 4096），其他剂量水平需要自行重新仿真。建议同时在 Mayo 数据等真实数据基准上报告结果。
没有全剂量图像能训练低剂量 CT 去噪器吗？
可以。自监督方法免去了对成对全剂量图像的需求。Noise2Noise 推广了不需要干净目标的去噪器训练方式，在 CT 上它成了“没有干净真值”时的标准评估协议。