噪声感知边界增强的生成学习用于超声散斑抑制
本文提出了一种噪声感知边界增强生成学习（NBGL）框架，用于超声散斑抑制。该框架由散斑抑制分支和边界增强分支组成，并引入噪声感知交互权重生成（NIWG）模块，通过3D拉普拉斯滤波和中位数绝对偏差估计自适应调节噪声水平。在141个3D经阴道超声数据集上的实验表明，NBGL在六个噪声级别上均优于现有方法。
超声成像作为一种无创、实时、经济有效的临床诊断技术，广泛应用于各类疾病的检测与监测。然而，其固有的散斑噪声会严重降低图像质量，模糊解剖结构，从而影响诊断准确性。现有的散斑抑制方法往往过度平滑组织边界，且难以适应不同噪声水平，限制了其在实际临床中的应用。针对上述问题，本研究由Yuexi Gu等五位作者共同提出了一种噪声感知边界增强生成学习（Noise-Aware Boundary-Enhanced Generative Learning, 简称NBGL）框架，旨在同时保留标注的解剖边界并适应变化的噪声水平。该论文已于2026年6月23日提交至arXiv预印本平台（编号2606.25009），隶属于计算机视觉与模式识别（cs.CV）及人工智能（cs.AI）领域。
NBGL框架的核心由两个主要分支构成：散斑抑制分支和边界增强分支。前者利用生成学习技术有效抑制散斑噪声，后者则通过学习边界敏感的特征表示来保护目标解剖结构。为了协调两个分支的协作，框架引入了一个噪声感知交互权重生成（NIWG）模块。该模块首先通过3D拉普拉斯滤波和中位数绝对偏差估计对超声图像中的散斑噪声水平进行量化，然后将该量化结果转化为自适应交互权重。这一权重被整合到一个加权特征线性调制（wFiLM）模块中，用于动态调节跨分支的特征耦合，从而显著提升模型对不同噪声水平的鲁棒性。
在实验部分，研究团队基于141个三维经阴道超声容积数据进行了广泛评估。他们设置了六个不同的噪声级别，将NBGL与当前多种最先进的散斑抑制方法进行了对比。实验结果表明，NBGL在所有噪声级别上均一致性地超越了对比方法，不仅在散斑抑制方面表现出色，而且能够更好地保留解剖边界的结构完整性。此外，NBGL生成的结果与人工标注的解剖边界具有高度一致性，进一步验证了其在临床诊断中的潜在价值。该研究为超声图像质量提升提供了全新的技术路径，有望推动相关领域的研究进展与产品化应用。