用于结构保持的低剂量CT图像复原的双状态自适应展开网络

《Computerized Medical Imaging and Graphics》:Dual-state adaptive unrolled network for structure-preserving low-dose CT image restoration

【字体: 大 中 小 】 时间:2026年10月17日 来源:Computerized Medical Imaging and Graphics 5.5

编辑推荐:

   持久双状态跨阶段演化并参数化复原规则。 全局策略与局部置信度调节逐阶段与空间更新。 受控分析支持功能分化的状态角色。 迁移具有方向依赖性,而统一画像刻画了精度与复杂度之间的权衡。 **引言** CT扫描广泛用于解剖评估,但通过低剂量CT(LDCT)采集以减少辐射暴露会增加

  持久双状态跨阶段演化并参数化复原规则。全局策略与局部置信度调节逐阶段与空间更新。受控分析支持功能分化的状态角色。迁移具有方向依赖性,而统一画像刻画了精度与复杂度之间的权衡。**引言**CT扫描广泛用于解剖评估,但通过低剂量CT(LDCT)采集以减少辐射暴露会增加量子噪声、条状伪影、边界模糊和低对比度纹理失真。本工作聚焦于重建后图像域LDCT复原:DSAUNet处理的是已重建的LDCT图像,而非原始投影或正弦ogram测量数据。因此,复原目标是在抑制剂量相关的图像退化的同时,保留微妙的解剖结构和图像域强度保真度(McCollough et al., 2017)。现有的LDCT方法涵盖正弦ogram域预处理、迭代重建和图像域后处理。前两者可以融入采集物理模型,但通常需要访问投影数据和重建特定的建模,而图像域方法可以直接应用于重建后的图像。深度图像域复原已通过卷积神经网络(CNN)、生成对抗网络(GAN)、基于Transformer的模型、扩散模型和状态空间模型不断发展(Chen et al., 2017, Yang et al., 2018, D. Wang et al., 2023, Gao et al., 2024, Ma et al., 2025, Wang et al., 2025, Li et al., 2025, Hein et al., 2025)。这些方法通过局部和全局表示学习、感知建模、生成采样或高效序列建模来提升复原效果。除了域内复原精度之外,有监督的CT复原模型还可能面临由不同数据集、扫描仪、采集协议、重建流程和噪声或退化统计之间的差异所引起的实际领域偏移问题。最近的CT研究探索了无监督特征对齐、联合数据和特征对齐、数据自适应重建和在线自适应,以减少实际部署中的源域到目标域的偏差(Du et al., 2023, Y. Zhang et al., 2026, Liu et al., 2026, Wang et al., 2026)。相比之下,本工作考虑固定参数、输入条件化的复原。然而,一个核心困难仍然存在:退化抑制与结构保留对复原过程施加了相互竞争的需求。空间异质的噪声和条状模式可能与解剖边缘、低对比度边界和细微纹理在图像域中重叠,因此激进的抑制可能移除有用的细节,而保守的复原可能留下残余退化。现有模型通过日益丰富的特征提取、注意力机制、生成先验和迭代公式来应对这一矛盾;然而,相比而言,在展开轨迹中维持**具有功能分化角色的持久复原状态**所受到的关注相对较少。为弥补这一空白,我们提出了一种**双状态自适应展开网络(DSAUNet)**,将图像域LDCT复原表述为一个**持久双状态受控展开过程**。DSAUNet维持一个**解剖导向状态**和一个**退化导向状态**,作为从共享图像派生表示初始化的持久潜在变量,并在展开的复原阶段中演化。这种状态参数化公式在两个层面提供自适应控制。由更新后的退化导向状态派生的全局策略坐标调节阶段级别的复原行为,而由状态派生的置信度变量提供面向结构保护的退化和感知空间控制,以控制图像更新。方向感知先验建模和多尺度状态引导作为实际实现机制,通过各向异性先验估计和多尺度特征细化传播这种控制。大量实验评估了三个公开CT基准上的域内复原性能、持久状态和自适应变量的功能行为、跨数据集迁移以及计算特性。主要贡献总结如下:- **持久双状态公式。** 我们引入了两个功能分化的潜在状态,它们在展开阶段中持久存在并演化,实现了超越瞬时特征分支的互补性解剖导向和退化导向建模。- **状态参数化自适应复原。** 演化的状态通过退化导向的全局策略坐标和状态派生的空间置信度变量参数化复原过程,方向感知先验建模和多尺度状态引导支持逐阶段自适应更新。- **全面的实验验证。** 在三个公开CT基准上的实验展示了具有竞争力的复原性能,并通过消融实验、功能干预、零样本迁移和计算分析进一步验证了所提出的状态和自适应控制。本文其余部分组织如下。第2节回顾相关文献,第3节介绍DSAUNet。第4节报告定量和功能评估,第5节解释研究结果。第6节总结当前范围和未来方向,第7节总结全文。**章节摘要****图像域LDCT复原与结构保留**LDCT图像质量可以在成像流程的不同阶段得到改善。投影域预处理和迭代重建利用采集域信息或基于保真项和正则项的模型优化(Chao et al., 2022)。相比之下,本工作聚焦于重建后图像域复原,其中输入为已重建的LDCT图像。经典的图像域方法包括非局部、块匹配、滤波和……**方法**DSAUNet在展开阶段中维持解剖导向和退化导向的潜在状态,并利用它们的演化来控制逐阶段复原过程。以下子节描述了整体递归、持久状态演化和自适应控制、状态参数化复原算子以及联合训练目标。**数据集与实验设置**我们在三个具有互补成像和退化设置的公开CT数据集上评估所提出的方法:2DeteCT、Mayo和LoDoPaB-CT。**2DeteCT数据集。** 2DeteCT数据集,全称为"一个大规模二维可扩展、可训练、实验性计算机断层扫描机器学习数据集",是由Kiss等人(2023)发布的公开二维实验性X射线CT数据集。它提供配对的CT测量数据,在此用于评估实验性CT噪声和伪影条件下的复原效果。**讨论**在三个域内基准上,DSAUNet提供了强大且总体一致的定量优势,但优势的幅度和指标模式在不同数据集间有所不同。在2DeteCT上,它比最强的基线CoreDiff高出1.6320 dB PSNR和0.0108 SSIM,同时RMSE降低了18.61%。在Mayo上,它相比CoreDiff提高了1.0920 dB PSNR并将RMSE降低了11.47%,同时相比CT-Mamba也改善了SSIM和VIF。在LoDoPaB-CT上,DSAUNet实现了最佳的PSNR、SSIM和……**局限性与未来工作**本研究有四个主要局限性。第一,DSAUNet是一种二维图像域复原方法,并未直接融入投影域测量或扫描仪特定的重建物理模型。第二,虽然评估涵盖了三个具有不同解剖和退化设置的公开CT基准,但跨中心、扫描仪、采集协议、解剖区域和剂量水平的更广泛验证仍然是必要的。特别地,LoDoPaB-CT使用模拟的低剂量……**结论**本文提出了DSAUNet,一种基于持久双状态受控展开的图像域LDCT复原框架,其中解剖导向和退化导向的状态通过状态派生的自适应控制调节逐阶段复原过程。在报告的2DeteCT、Mayo和LoDoPaB-CT协议下,DSAUNet相比所比较的方法实现了良好的域内复原性能。功能分析表明,持久状态和自适应……**CRediT作者贡献声明****张新源:** 原始稿件撰写、可视化、方法论、调查研究。**朱益民:** 项目管理、方法论。**崔擎哲:** 软件、调查研究。**宋杰:** 验证、形式分析。**段硕:** 验证、资源提供。**魏星:** 可视化、资源提供。**吴星:** 监督、数据管理、概念化。**钱全:** 项目管理、数据管理。**戴建彪:** 监督、项目管理。**利益冲突声明**作者声明他们没有任何已知的竞争性经济利益或个人关系可能影响本文所报告的工作。张新源|朱益民|崔擎哲|宋杰|段硕|魏星|吴星|钱全|戴建彪
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号