基于无监督学习的双能CT虚拟单能成像技术研究

为解决双能CT(DECT)虚拟单能成像(VMI)在低keV水平噪声增加的问题，研究人员开发了一种无需标注数据的无监督深度学习方法。该方法通过深度学习模型输出VMI后反向重建DECT图像，以两者差异作为约束条件优化模型。实验证实该技术显著提升VMI质量，不同组织CT值差异控制在±10 HU（骨）和±5 HU（脑/脂肪/肌肉）内，为临床提供高质量无监督成像新方案。

　　

在医学影像领域，双能计算机断层扫描(Dual-energy CT, DECT)衍生的虚拟单能成像(Virtual Monoenergetic Imaging, VMI)技术虽已展现临床价值，但其在低千电子伏(keV)能级时存在的噪声问题始终是技术瓶颈。这项突破性研究创新性地引入无监督深度学习(Deep Learning, DL)框架，通过构建"图像生成-反向验证"的闭环系统：将原始DECT数据输入神经网络生成预测VMI后，基于"VMI是DECT图像线性组合"的理论，用预测结果重构DECT图像，并通过最小化实测与重构DECT的差异实现模型自优化。

令人振奋的是，患者数据验证显示DL生成的VMI在图像质量上全面超越传统方法，不同组织的CT值差异被精准控制在临床可接受范围——骨骼组织<±10 Hounsfield Unit(HU)，脑组织、脂肪和肌肉组织<±5 HU。统计学分析(p>0.01)进一步证实，除骨骼外其他组织的CT值测量均无显著差异。这项研究开创性地证明，无需高质量标注数据指导，深度学习模型可直接从DECT数据中提取高质量VMI特征，为医学影像处理开辟了无监督学习的新范式。