CALIMAR-GAN：开启 CT 扫描金属伪影消除新征程，助力精准医疗

在 CT 扫描中，金属物体产生的伪影影响诊断准确性。研究人员开展 CALIMAR-GAN 模型研究，利用未配对数据减少伪影。该模型在模拟和临床图像上表现优异，推动基于深度学习的伪影消除进入临床实践，提升诊断和治疗效果。

　　

研究背景

在医学影像学的舞台上，计算机断层扫描（CT）堪称一位 “明星选手”。随着时间的推移，CT 的分辨率不断提升，如同给医生们配备了一台 “透视神器”，在肿瘤检测与特征分析、手术和放疗规划等多个医疗领域大显身手，帮助医生更精准地做出诊断和治疗决策。然而，“金属异物” 的出现，却如同给这场 “医疗盛宴” 带来了不和谐的音符。

当患者体内存在金属物体，比如假体、螺丝、牙科填充物时，CT 扫描图像就会受到各种伪影的干扰，像光子饥饿、束硬化和散射等。这些伪影就像图像中的 “小怪兽”，会扭曲正常的解剖结构，让医生难以看清真实的病情，一不小心就可能导致误诊，延误患者的治疗时机。

为了打败这些 “小怪兽”，多年来，科研人员可谓绞尽脑汁。早期提出的一些硬件改进方案，比如采用高能量 CT 扫描提高穿透深度，或者把金属物体排除在扫描视野之外。但这些方法就像 “拆东墙补西墙”，高能量扫描会增加患者吸收的辐射剂量，而排除金属物体又可能遗漏关键部位的信息，在实际应用中困难重重。

后来，人们把目光转向了算法领域，开发出各种金属伪影减少（MAR）算法。传统的方法大多在正弦图域 “大显身手”，比如线性插值（LI）算法。不过，基于图像的方法却一直没有得到足够的重视和深入研究。

直到深度学习（DL）技术的出现，为 MAR 带来了新的希望。基于 DL 的 MAR 方法主要分为基于正弦图、基于图像和多域融合这三大类。基于正弦图的方法专注于识别金属区域并恢复解剖结构；基于图像的方法则直接对 CT 切片进行处理，是目前最常见的方式；多域融合方法则巧妙地结合正弦图和图像域的信息，增强伪影消除效果。

然而，这些方法也并非完美无缺。基于正弦图和多域融合的技术通常需要成对的图像（既有伪影图像，又有对应的无伪影图像）来进行监督学习训练。但在临床环境中，获取这样的成对图像难度极大，就像在大海里捞针一样困难。所以，这些方法往往只能在模拟数据上进行训练，而模拟的伪影和真实的情况存在差异，导致训练出来的模型在真实临床数据上的效果大打折扣，而且还很难对其进行定量评估。另外，正弦图的使用还可能因为域转换引入二次伪影。

基于图像的方法虽然避免了投影带来的问题，但大多数是完全监督学习，对无监督或半监督策略的探索较少。无监督的图像到图像（I2I）翻译方法虽然试图解决伪影图像和无伪影图像之间的域差异问题，但容易出现图像特征意外改变、背景变化等问题。而且，现有的无监督 I2I 翻译方法大多在模拟伪影图像上训练，在真实伪影图像上往往只能给出定性结果，定量评估也不够全面，难以反映真实世界的情况。

正是在这样的背景下，研究人员决定开展一项新的研究，希望能找到一种更有效的方法，来解决 CT 扫描中的金属伪影问题，为医生提供更清晰、更准确的图像，助力精准医疗。

研究机构及研究内容

来自意大利巴里理工大学（Polytechnic University of Bari）的研究人员勇敢地迎接了这个挑战，他们开展了关于 CALIMAR-GAN 的研究。CALIMAR-GAN 是一种生成对抗网络（GAN）模型，它巧妙地将掩码引导注意力机制与循环一致的 GAN 框架相结合，充分利用正弦图派生的特征和未配对的数据，试图在 CT 扫描中实现卓越的金属伪影消除效果。

研究意义

这项研究意义重大。如果金属伪影不能得到有效消除，在肿瘤学领域，残留的伪影可能会遮挡肿瘤边界，导致放疗计划中肿瘤轮廓勾画不准确，影响辐射剂量的精准投放，增加对肿瘤周围健康组织的损伤风险；在手术规划中，伪影会改变关键结构的图像质量，提高手术并发症的发生几率，比如肿瘤切除不完全或损伤邻近器官。而 CALIMAR-GAN 通过将网络的域转换有针对性地聚焦在受伪影影响最严重的区域，大大减少了图像的幻觉和模糊现象，确保了更符合解剖学特征的图像重建，提高了诊断和治疗规划的可靠性，为精准医疗提供了有力支持。该研究成果发表在《Computerized Medical Imaging and Graphics》上。

关键技术方法

研究人员采用的主要技术方法包括：构建基于掩码引导注意力和线性插值算法的循环一致 GAN 架构 CALIMAR-GAN，利用 Siamese 网络结合掩码样输入，引导 I2I 翻译聚焦于伪影区域；使用模拟和真实伪影的未配对数据进行训练；通过计算峰值信噪比（PSNR）、结构相似性指数（SSIM）、Fréchet inception distance（FID）等多种指标评估模型性能。

研究结果

1. 模拟图像评估：研究人员在模拟图像上对 CALIMAR-GAN 进行了测试，结果令人惊喜。该模型表现出色，获得了 31.7 的峰值信噪比（PSNR）、0.877 的结构相似性指数（SSIM）和 22.1 的 Fréchet inception distance（FID），这些数据远远超过了当前最先进的方法，充分展示了 CALIMAR-GAN 在消除模拟图像金属伪影方面的强大能力。
2. 真实临床图像评估：在真实临床图像测试中，CALIMAR-GAN 同样表现优异，取得了最低的 FID（32.7）。而且，研究人员还发现 FID 与基于像素的指标之间存在显著相关性（与 PSNR 的相关系数$r=?0.797$，$p<0.01$；与 MS - SSIM 的相关系数$r=?0.767$，$p<0.01$），这表明 FID 可以作为评估真实图像中金属伪影减少效果的可靠指标。
3. 消融研究：
   • 组件优化影响：通过对优化版本$G_{\theta }$中引入的组件进行研究，分析各组件对模型性能的影响，进一步验证了模型设计的合理性和有效性。
   • 训练策略影响：研究人员考察了不同训练策略（完全模拟伪影数据、仅真实伪影数据、模拟 + 真实伪影数据的混合数据集）对模型的影响，发现使用混合数据集训练的模型具有更强的泛化能力。
   
   

研究结论与讨论

综上所述，CALIMAR-GAN 通过独特的架构设计和创新的训练策略，在模拟和真实金属伪影图像上都展现出了卓越的性能。它不仅有效减少了金属伪影，还能保持未受影响区域的完整性，为临床医生提供更准确的图像信息。同时，研究验证了 FID 在评估真实图像金属伪影减少效果方面的可靠性，为未来相关研究提供了重要的参考指标。这项研究为基于深度学习的金属伪影减少算法在临床实践中的应用迈出了重要一步，有望推动精准医疗的进一步发展，帮助医生更准确地诊断疾病，制定更合理的治疗方案，最终造福广大患者。