扩散模型在医学超声图像去噪中的创新应用

1. 项目概述：扩散模型在超声图像去噪中的突破性应用

超声成像作为医学诊断中最常用的无创检查手段之一，其图像质量直接影响临床判断的准确性。然而在实际操作中，超声图像常会受到各种噪声干扰，其中雾状噪声（Haze-like Artifacts）尤为棘手——这种低频噪声会使图像整体呈现"雾蒙蒙"的状态，降低组织边界的可见度。传统去噪方法如小波变换、非局部均值等对这类特定噪声效果有限，而基于深度学习的方案往往需要大量配对数据训练。

我们团队在TMI 2024上提出的方法创新性地将扩散模型（Diffusion Models）应用于此场景。与常见的图像生成任务不同，这里扩散模型被改造为"噪声分布学习器"，通过逆向扩散过程逐步去除雾状噪声。实测显示，该方法在保持组织结构完整性的前提下，去噪效果比传统方案提升约37%的PSNR值。

关键突破：不同于常规的端到端去噪网络，扩散模型通过迭代式去噪过程，能够更好地保留超声图像中微弱的组织纹理特征，这对早期病变诊断至关重要。

2. 技术原理深度解析

2.1 雾状噪声的物理成因与特性

超声图像中的雾状噪声主要来源于：

• 多重反射：声波在组织层间多次反射形成的相干噪声
• 侧瓣干扰：探头声场旁瓣产生的伪影
• 频率相关衰减：不同深度组织对高频信号的差异化吸收

这类噪声在频域表现为低频能量集中（如图1频谱分析所示），时域上呈现为全局性、非均匀的亮度变化。传统的高通滤波会同时损失有用组织结构信息，而基于U-Net的方法容易产生过度平滑的问题。

2.2 扩散模型的适应性改造

我们采用的条件扩散模型架构包含三个核心改进：

1. 噪声条件调度器
   设计新的噪声计划表，使前向扩散过程更匹配雾状噪声的统计特性：

   python复制def customized_schedule(t):
       alpha = 0.8 * (1 - t/T)  # 保留更多低频信息
       beta = 0.2 * (t/T)**2    # 针对性去除雾状分量
       return alpha + beta
   

2. 解剖结构引导的逆向过程
   在去噪步骤中注入组织边界先验：

   • 使用预训练的超声分割网络生成边缘注意力图