基于深度学习和逆变换采样的光谱光子计数CT多物质分解新方法ISMDNet

《IEEE Access》：ISMDNet: Multi-Material Decomposition Using Deep Learning and Inverse Transform Sampling in Spectral Photon Counting CT

本研究针对光谱光子计数CT(SPCCT)中物质分解(MD)易受噪声干扰、传统方法精度不足的问题，提出了一种结合逆变换采样和深度学习的新型框架ISMDNet。通过生成符合真实衰减分布的合成数据训练网络，在物理模型和生物组织模型上的实验表明，该方法在RMSE、SSIM等指标上显著优于传统MD方法，为精准定量医学成像提供了新思路。

　　

在医学影像技术快速发展的今天，光谱光子计数计算机断层成像(SPCCT)作为新兴技术，通过光子计数探测器(PCD)实现了多能量窗口的数据采集，为物质分解(MD)带来了革命性突破。传统CT使用能量积分探测器(EID)，只能获得全光谱的衰减信息，而SPCCT能够区分不同能量的X射线光子，从而在体素级别进行材料识别。然而，多物质分解面临诸多挑战：噪声敏感度高、光束硬化伪影明显，特别是在材料衰减特性相近时（如钙与碘、金与钆），传统线性最小二乘法(DI)和字典学习(GDLIMD)等方法往往表现不佳。

为解决这些难题，Khalifa大学与Ferhat Abbas大学联合团队开发了ISMDNet框架，创新性地将逆变换采样与深度学习相结合。该方法首先生成符合真实衰减分布的合成数据，再训练包含注意力机制和Transformer的编码器-解码器网络。实验证明，ISMDNet在钙、钆、碘等材料的分解精度上显著优于U-Net、Incept-Net等现有方法，为SPCCT的临床应用提供了更可靠的定量分析工具。这项重要研究成果已发表在顶级期刊《IEEE Access》上。

关键技术方法包括：1）基于逆变换采样的合成数据生成，通过材料线性衰减系数(LAC)分布的累积分布函数(CDF)生成逼真训练数据；2）三种改进的U-Net架构（ISMDNet、ISMDNet-AT、ISMDNet-TR），分别引入双残差块、通道注意力机制(CAM)和Transformer模块；3）使用MARS Spectral CT扫描仪获取物理模型（含钙、碘、金、钆等14种材料）和生物组织模型（牛肌肉组织含不同浓度碘溶液）的SPCCT图像；4）通过RMSE、SSIM、PSNR及材料识别精度等指标进行系统评估。

研究结果

材料模型分解表现

通过对比七种MD方法（包括DI、GDLIMD、MARS-MD等），ISMDNet系列在钙、钆、碘等材料的分解中表现出色。如图5所示，ISMDNet能准确区分70 mg/mL钙与4 mg/mL碘这类衰减特性相近的材料，而传统方法存在明显误判。定量分析显示，ISMDNet-TR在钙分解中的RMSE最低（3.12×10^-3），SSIM最高（0.9971）。特别值得注意的是，在50-60 keV能量窗口内，钆的K边效应（50.2 keV）使其信号显著增强，ISMDNet准确捕捉到这一特征，而其他方法在低浓度钆识别上表现不佳。

生物组织模型验证

在包含肌肉、骨骼、脂肪和碘溶液的生物组织模型测试中，ISMDNet-AT对肌肉组织的分解最为均匀一致（图8）。然而，所有方法在区分肌肉组织与低浓度碘（4 mg/mL）时都遇到困难，这源于两者在X射线衰减特性上的高度相似。Transformer模块的加入显著提升了模型对长程依赖关系的捕捉能力，ISMDNet-TR在碘分解的PSNR指标上达到最优（图10）。

模型架构比较

三种ISMDNet变体的对比分析（图7）表明，注意力机制（ISMDNet-AT）能有效提升通道特征选择能力，特别是在金与钆的分离任务中表现突出；而Transformer模块（ISMDNet-TR）在全局上下文建模方面具有优势，但偶尔会在水插入物中产生轻微的钙误识别。双残差块的引入显著改善了梯度流动，使基础ISMDNet在保持计算效率的同时达到优异性能。

材料识别精度评估

从材料识别角度看（图9），深度学习方法的F1分数普遍高于传统方法。ISMDNet对碘的识别精度达到0.94±0.05，显著优于U-Net（0.52±0.27）和Incept-Net（0.47±0.15）。值得注意的是，所有方法在水和脂质分解中都表现不佳，这反映了当前MD技术在处理衰减特性极度相近材料时的普遍局限。

讨论与结论

本研究开创性地将逆变换采样与深度学习相结合，解决了SPCCT中多物质分解的若干关键问题。逆变换采样方法通过真实材料的线性衰减系数分布生成训练数据，避免了传统平均分解方法的局限性，使模型能更好地处理噪声和材料重叠问题。ISMDNet架构的创新之处在于融合了残差连接、注意力机制和Transformer模块，在保持U-Net优秀特征提取能力的同时，增强了模型对关键特征的聚焦能力和长程依赖建模能力。

研究结果证实，能量窗口的选择对K边成像至关重要。针对钆K边（50.2 keV）优化的50-60 keV窗口使ISMDNet能准确区分低浓度钆与高浓度碘，而碘K边（33.2 keV）附近的能窗设置则因钙的干扰而更具挑战性。金K边（80.7 keV）成像受光子计数减少影响，所有方法都表现出更高的噪声敏感性。

该研究的临床意义在于：ISMDNet提供的精准定量分解能力，为多对比剂成像、肿瘤微环境表征、心血管斑块分析等应用奠定了基础。通过降低对解剖形状先验知识的依赖，该框架展现出良好的泛化能力。未来工作将聚焦于三维卷积层的集成、不确定性量化的引入以及真实人体影像数据的验证，进一步推动光谱CT在精准医疗中的应用。

尽管当前模型在训练数据生成方面仍依赖特定扫描参数，但提出的框架具备适应不同SPCCT扫描仪的潜力。通过调整能量窗口和kVp设置重新训练模型，可望实现跨设备的稳定性能。这项研究为深度学习在医学影像分析中的创新应用提供了重要范例，标志着光谱CT定量分析向临床实用化迈出了关键一步。