论文页面 - U-TTT：通过测试时训练实现可泛化的PET图像去噪

Source: https://huggingface.co/papers/2606.11032

摘要

一种新颖的U型深度学习模型，集成了测试时训练层和双域适应机制，在分布偏移下实现了鲁棒的PET图像去噪。

现有的用于正电子发射断层扫描（PET）图像去噪的深度学习模型在分布偏移下常常出现严重的性能下降，从根本上限制了其鲁棒的临床部署。这种泛化能力的缺乏源于固定参数模型的传统范式，这些模型无法在训练后适应测试数据的变化（例如剂量水平或扫描仪类型）。为了克服这一限制并实现鲁棒的泛化，我们引入了U-TTT，一种新颖的U型模型，它集成了测试时训练（TTT）层，通过自监督在推理过程中动态调整模型参数，从而适应每个测试实例的特定特征。此外，为了全面捕捉3D PET数据的复杂退化，U-TTT采用了一种双域适应机制，包括一个空间测试时训练（S-TTT）层和一个频率测试时训练（F-TTT）层。S-TTT层捕捉并修正空间结构退化，而F-TTT层抑制全局噪声频谱并恢复精细的高频细节。大量实验表明，U-TTT在PET去噪方面实现了最先进的性能，并在具有挑战性的分布偏移（包括未见过的剂量水平和未见过的扫描仪）下表现出卓越的泛化能力。我们的代码将在 https://github.com/Yaziwel/U-TTT 提供。

查看arXiv页面 (https://arxiv.org/abs/2606.11032) 查看PDF (https://arxiv.org/pdf/2606.11032) GitHub2 (https://github.com/Yaziwel/U-TTT) 添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2606.11032)

在您的智能体中获取此论文：

hf papers read 2606.11032

没有最新的CLI？curl -LsSf https://hf.co/cli/install.sh | bash

引用此论文的模型0

没有模型链接此论文

在模型README.md中引用arxiv.org/abs/2606.11032，以从此页面链接。

引用此论文的数据集0

没有数据集链接此论文

在数据集README.md中引用arxiv.org/abs/2606.11032，以从此页面链接。

引用此论文的Space0

没有Space链接此论文

在Space README.md中引用arxiv.org/abs/2606.11032，以从此页面链接。

包含此论文的收藏集0

没有收藏集包含此论文

将此论文添加到收藏集 (https://huggingface.co/new-collection) 以从此页面链接。