低剂量CT（LDCT）扫描是减少人群中X射线辐射的一种潜在方法。 有必要提高低剂量CT图像的质量。 在本文中，我们提出了一种有效的算法，用于利用剪切波变换去除LDCT图像中的量子噪声。 因为可以通过泊松过程来模拟量子噪声，所以我们首先使用安斯科姆方差稳定变换（VST）对量子噪声进行变换，从而产生具有单位方差的近似高斯噪声。 其次，通过在小波域中的自适应硬阈值处理获得无噪声的小波系数。 第三，我们使用逆剪切波变换来重建去噪图像。 最后，将anscombe逆变换应用于降噪后的图像，从而可以产生改进的图像。 主要贡献是将anscombe VST与Slicelet变换相结合。 通过这种方式，可以有效地将边缘系数和噪声系数与高频子带分离。 使用所提出的方法对一些LDCT图像进行了许多实验。 定量和视觉结果均表明，该方法可以有效地减少量子噪声，同时增强细微的细节。 在临床应用中具有一定的价值。

低剂量CT去噪 低剂量CT去噪的代码和文件 基于模型的方法 通过局部一致的非局部方式有效地进行低剂量CT降噪（LC-NLM）（MICCAI 2016） 高斯混合MRF用于基于模型的迭代重建及其在低剂量X射线CT中的应用 区分学习的方法 卷积神经网络的低剂量CT去噪（ISBI 2016） （SAGAN）使用条件生成对抗网络的敏锐度低剂量CT去噪 神经网络卷积（NNC）用于将超低剂量图像转换为“虚拟”高剂量CT图像（MLMI 2017） （KAIST-Net）使用方向小波进行低剂量X射线CT重建的深层卷积神经网络 （RED-CNN）小剂量CT，带残差编码器-解码器卷积神经网络（TMI 2017） （KSAERecon）通过神经网络训练的先验者进行的低剂量迭代CT重建（TMI 2017） PWLS-ULTRA：一种有效的基于聚类和学习的低剂量3D CT图像重建方法（TMI