基于自适应权重融合的稀疏角度X射线三维重建网络AdapFusionNet在医学影像中的应用研究

为解决稀疏角度X射线成像在临床三维重建中空间信息不足的难题，广州华商学院人工智能学院团队创新性提出AdapFusionNet网络，通过自适应融合模块对多视角DRR图像进行加权融合，实现SSIM 0.332、PSNR 13.404的优质重建，为低剂量CT替代方案提供新思路。

　　

在医学影像领域，传统CT扫描虽能提供高精度三维图像，但存在辐射剂量高、设备成本昂贵等问题。而常规X射线摄影虽安全快捷，却因二维投影特性丢失了关键的空间信息。尤其对于肺部等复杂解剖结构，单角度X射线难以实现准确的三维可视化，这成为临床诊断的重大瓶颈。更棘手的是，真实临床环境中X射线图像往往缺乏匹配的三维"金标准"数据，使得深度学习模型的训练和验证面临严峻挑战。

针对这一系列难题，广州华商学院人工智能学院的研究团队在《CMES - Computer Modeling in Engineering and Sciences》发表创新研究。他们利用LIDC-IDRI公开肺CT数据集，通过数字重建放射影像(DRR)技术生成模拟X射线图像，构建了"正侧位DRR-三维CT"配对数据集。团队创新性地开发了AdapFusionNet网络，其核心技术包括：1）基于密集连接块(DenseBlock)的双通道编码器，可同时处理正位(Cor)和侧位(Sag)DRR图像；2）特征维度转换模块实现2D到3D的空间映射；3）自适应权重融合模块通过Softmax评分动态优化多视角重建结果。

研究结果部分显示：

1. 方法设计

   网络采用7×7卷积核的编码器结构，通过4个Dense Layer逐层提取特征，每个Dense Block包含6-24个3×3卷积层。三维解码器采用步长为2的反卷积(TConv)实现上采样，最终输出128³体素分辨率。

2. 数据集构建

   从1012例LIDC-IDRI胸部CT中生成180×200分辨率的DRR图像，通过轴向距离归一化（Δz=1mm）和HU值裁剪（>-1024）预处理，构建800对训练集和212对测试集。

3. 性能验证

   定量分析表明，AdapFusionNet的SSIM(0.332)和PSNR(13.404)显著优于单视角网络(SingleViewNet:0.289/12.363)和平均融合网络(AvgFusionNet:0.306/13.384)。定性评估显示，自适应融合能有效保留胸壁轮廓（MAE降低11.5%），同时减少置信度融合(ConfFusionNet)带来的噪声干扰。

4. 模块创新

   自适应权重模块通过17通道3D特征输入，生成体素级融合权重。实验证实该模块使初始重建结果在3D空间中的映射误差减少15.7%，且训练过程中双视角特征呈现收敛趋势。

这项研究的突破性在于：首次将自然图像多视角融合策略成功迁移到医学影像领域，通过可解释的权重评分机制，解决了稀疏角度重建中的空间不一致性问题。相比传统Transformer架构(XTransCT)的隐式融合，AdapFusionNet显式评估每个体素的重建质量，使胸部轮廓的HU值误差控制在±156范围内。虽然目前仍依赖模拟DRR数据，但该方法为临床中实现"X光室即时三维可视化"提供了可行路径，未来通过真实X射线-CT配对数据微调，有望成为低剂量筛查的重要补充手段。

研究团队特别指出，网络参数量较大（单模型约1.2GB）仍是临床应用的主要障碍。未来工作将聚焦于模型轻量化，并探索将LIDC-IDRI的肺结节标注信息纳入重建监督，进一步提升病灶区域的显示精度。该成果不仅为医学影像分析开辟了新思路，也为解决医疗数据稀缺条件下的深度学习建模提供了重要参考。