摘 要
【目的】低剂量CT扫描技术已广泛用于肺结节和肺癌早期筛查等临床诊断。然而，由辐射剂量降低所导致的成像噪声制约着诊断精度的进一步提高。
【方法】本文综合研究了低剂量CT图像降噪技术的发展脉络，从基于迭代优化等传统方法出发，分析了当前基于机器学习技术的低剂量CT图像降噪等CT图像降噪方法。
【结果】现有基于机器学习的CT图像降噪方法，一方面采用人为假设噪声分布并构造人工数据集进行模型训练和测试，忽略了临床应用中噪声特点和强度的多样性问题;另一方面，由于深度神经网络的“黑盒”特性，导致现有基于深度神经网络的低剂量CT图像降噪模型的可解释性不足。
【结论】CT图像降噪应面向临床实际需求，充分考虑噪声形成的机理和图像噪声的真实分布，结合病灶检测等高阶任务和临床医生的阅片行为，探索面向临床需求的低剂量CT图像降噪新范式。
关键词：CT图像；深度学习；图像降噪；图像质量评价
引 言
党的十八届五中全会提出《“健康中国2030”规划纲要》，着力推进健康中国建设，提高人民生活水平。“十四五”规划纲要突出“全面推进健康中国建设”，强调科技创新要面向人民生命健康，指出新一代人工智能技术要原创性引领临床医学和健康领域的应用。目前，计算机视觉和人工智能技术已对诸多领域产生了巨大影响。在医疗健康领域，医学图像智能分析一直是医工交叉融合的热点和难点之一，其中涵盖医学图像质量优化、分割、检测和识别等关键问题。医疗设备和操作环境等产生复杂的噪声因为降低医学