低剂量CT去噪不再需要配对干净图：相邻切片先对齐再监督，锥束CT也能在图像域做

低剂量CT去噪可以在没有配对干净图像的情况下训练，训练信号来自同一扫描中相邻的两张低剂量切片。 此前的监督方法需要对齐的噪声-干净图像对，而这类配对数据获取昂贵、耗时，有时无法获得。 在Mayo 2016数据集上，该方法取得40.08 dB的PSNR、0.9410的SSIM和19.89 HU的RMSE，优于所比较的传统方法与自监督方法。

做法是让一个层间匹配网络估计相邻切片之间的形变，再用这个形变去校正去噪网络的输出，使同一组织在两张切片上真正对上。 此前的相邻切片方法按同一坐标逐像素计算损失，但纵向解剖变化会让同一组织在相邻切片间发生非刚性错位，同坐标像素未必属于同一组织。 训练时去噪网络与匹配网络同步优化，重建与校正两个过程互相加强；推理阶段只保留去噪网络，不做任何空间重采样。

校正操作把原本位于不同空间位置、噪声相关性更弱的像素匹配起来，从而降低校正后相邻切片之间的噪声相关性。 锥束CT的相邻切片噪声相关性更强，多数现有自监督锥束CT去噪方法依赖投影域数据。 在真实锥束CT数据集上，校正前的层间噪声相关系数为0.2935，校正后降到0.0752；固定平移0.5像素的对照实验只把该值变为0.2917。

该方法在Mayo 2016、Mayo 2020、Piglet、真实锥束CT和ICASSP锥束CT数据集上完成了训练与测试，覆盖临床扇形束CT、单体积CT和锥束CT。推理阶段只保留去噪网络，不进行空间重采样，因此部署时不需要匹配网络。层间距离参数需要按数据集选择：Mayo 2016、Mayo 2020、Piglet和ICASSP锥束CT取1，真实锥束CT取2。

定理1的等价性依赖若干理想化假设，实际中只能近似满足，因为离散图像的空间变换涉及插值，匹配网络估计的转移矩阵也可能含误差。因此实际训练目标应理解为近似等价，而非严格等价。层间距离增大虽能降低噪声相关性，却会加大切片间结构差异，使匹配更难，图像出现过平滑。