超聲成像作為一種無創、即時、經濟有效的臨床診斷技術，廣泛應用於各類疾病的檢測與監測。然而，其固有的散斑噪聲會嚴重降低影像質量，模糊解剖結構，從而影響診斷準確性。現有的散斑抑制方法往往過度平滑組織邊界，且難以適應不同噪聲水平，限制了其在實際臨床中的應用。針對上述問題，本研究由Yuexi Gu等五位作者共同提出了一種噪聲感知邊界增強生成學習（Noise-Aware Boundary-Enhanced Generative Learning, 簡稱NBGL）框架，旨在同時保留標註的解剖邊界並適應變化的噪聲水平。該論文已於2026年6月23日提交至arXiv預印本平臺（編號2606.25009），隸屬於計算機視覺與模式識別（cs.CV）及人工智慧（cs.AI）領域。
NBGL框架的核心由兩個主要分支構成：散斑抑制分支和邊界增強分支。前者利用生成學習技術有效抑制散斑噪聲，後者則透過學習邊界敏感的特徵表示來保護目標解剖結構。為了協調兩個分支的協作，框架引入了一個噪聲感知互動權重生成（NIWG）模組。該模組首先透過3D拉普拉斯濾波和中位數絕對偏差估計對超聲影像中的散斑噪聲水平進行量化，然後將該量化結果轉化為自適應互動權重。這一權重被整合到一個加權特徵線性調變（wFiLM）模組中，用於動態調節跨分支的特徵耦合，從而顯著提升模型對不同噪聲水平的魯棒性。
在實驗部分，研究團隊基於141個三維經陰道超聲容積資料進行了廣泛評估。他們設定了六個不同的噪聲級別，將NBGL與當前多種最先進的散斑抑制方法進行了對比。實驗結果表明，NBGL在所有噪聲級別上均一致性地超越了對比方法，不僅在散斑抑制方面表現出色，而且能夠更好地保留解剖邊界的結構完整性。此外，NBGL生成的結果與人工標註的解剖邊界具有高度一致性，進一步驗證了其在臨床診斷中的潛在價值。該研究為超聲影像質量提升提供了全新的技術路徑，有望推動相關領域的研究進展與產品化應用。