自监督与免训练方法
自监督与免训练方法是指在没有成对干净真值的情况下重建或去噪 CT 图像。它们利用测量数据本身的结构，比如重复或拆分数据中相互独立的噪声、与实测正弦图的一致性、对变换的不变性，或者未经训练的网络本身的隐式偏置。
它们之所以重要，是因为 CT 中干净的成对训练数据很稀缺：不能为了研究让患者分别在全剂量和低剂量下各扫一次，植入物扫描也不存在无金属版本，工业和同步辐射数据也很少附带参考图像。
主要方法族有：只用含噪数据训练的 Noise2Noise 类去噪；拟合单次扫描的深度图像先验及其他免训练网络；表示体数据并拟合实测投影的逐扫描神经场；等变成像损失；以及监督与无监督混合的方案。它们避免了训练集偏差，但测试时通常更慢，并需要谨慎的提前停止或正则化。
在可检索的目录中浏览全部 35 篇「自监督与免训练方法」论文
入门推荐
如果你刚接触这个主题，可以先读这几篇；由维护者挑选。
- Computed Tomography Reconstruction Using Deep Image Prior and Learned Reconstruction Methods (Inverse Problems, 2020 · code)
在小训练集条件下把深度图像先验用于低剂量和稀疏角度 CT，附基准代码。 - 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。 - IntraTomo: Self-supervised Learning-based Tomography via Sinogram Synthesis and Prediction (ICCV, 2021 · code)
把密度场表示为拟合不完整正弦图的网络，并用几何先验细化，附代码。 - Unified Supervised-Unsupervised (SUPER) Learning for X-ray CT Image Reconstruction (TMI, 2021)
在基于模型的迭代重建中统一监督学习与无监督学习。
论文
共 35 篇，按时间倒序列出最新的 30 篇。
在可检索的目录中浏览全部 35 篇「自监督与免训练方法」论文
数据集、基准与工具库
目录中任务或标签与本主题相符的条目。
- Walnut-21 (two dose levels) (官方页面) · 数据集 — Projection only. 21 颗核桃的高分辨率锥束扫描，每颗都以两个辐射剂量水平各采一次——同一物体的一版「干净」与一版「带噪」。这种配对采集正是它的用处：噪声水平可以直接对照已知解剖结构来比较，而不是靠推测。
- Noise2Noise denoising protocol (官方页面) · 基准 — 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。
- tomosipo · 工具库 — 以极低的负担描述二维/三维投影几何；封装 ASTRA 并与 PyTorch 打通。
- torch-radon · 工具库 — PyTorch 中的可微分 Radon 变换与滤波反投影。
指南
涵盖本主题的指南。