7月10日下午，揽月学术沙龙理科组第20讲在揽胜楼1305教室举行。本次沙龙由数学与统计学院、生物医学工程学院联合承办，聚焦医学CT图像智能降噪与重建算法研究。2025级电子信息专业硕士研究生阮静怡、范泷文先后作学术汇报，相关专业师生到场参与研讨，围绕低剂量CT成像前沿深度学习方法展开交流。

阮静怡以《面向计算机断层成像的频率-空间互补注意力网络》为题作汇报。针对现有CT降噪算法全局特征建模薄弱、频域先验挖掘不足、仿真噪声与真实临床噪声存在域偏移等痛点，她详细解析了2026年发表于《Knowledge-Based Systems》的FSCANet网络。该模型采用编解码U-Net架构，分设频域与空域双分支：频域分支引入复值频率注意力分离结构与相位信息，以捕捉全局长程依赖；空域分支依靠卷积运算保留图像局部细节，并搭建真实临床数据驱动的噪声模型完成协同训练。实验结果表明，该网络在降噪效果、纹理保留及运算效率等方面均优于主流对比算法，在公开数据集与真实临床CT数据中均展现出较好的泛化性能。

范泷文带来题为《一种适用于低剂量CT成像的无数据降噪方法及改进U-Net网络》的文献分享。低剂量CT（LDCT）可有效降低患者辐射伤害，但传统监督式重建算法依赖大量配对的高低剂量CT样本，临床落地面临较大局限。报告介绍了一种新型无数据集学习重建方案——该后处理算法无需训练数据集，仅通过最小化实测投影与模拟正弦图的L1范数距离，并辅以总变分约束，即可实现高质量CT图像恢复，同时免去人工调节权重系数。此外，他还介绍了经模块拼接优化后的改进U-Net网络，相比现有模型在病灶识别与区域分割方面具备更优性能。

两场报告均围绕低剂量CT影像降噪与重建核心难题，分别从无数据无监督学习、频空双域注意力融合两大创新路径切入，理论体系完整，且紧密贴合临床影像诊断实际。报告结束后，在场师生围绕无监督CT重建训练逻辑、频域注意力网络结构优化、临床噪声适配等热点问题展开热烈讨论，现场学术氛围浓厚。