基于论文摘要，建议的专业标题为： 解剖引导的U-Net结合空间变化RTV正则化用于稀疏视角胸部CT重建

《Scientific Reports》：Anatomy-guided U-Net deep learning for sparse-view chest CT reconstruction using spatially varying RTV regularization

　　

以下是论文摘要的专业翻译： 稀疏视角计算机断层扫描（CT）重建由于严重的欠采样伪影、噪声放大以及难以在减少图像退化的同时保持解剖结构，仍然是一个具有挑战性的逆问题。传统的基于正则化的方法通常需要手动参数调整，并依赖空间均匀的先验信息，而深度学习方法可能提供有限的可解释性或对物理约束的整合不足。在本研究中，研究人员提出了SvRTV-UNet，一种物理引导的深度学习框架，将U-Net架构与空间变化相对全变分（SvRTV）正则化相结合，用于自适应的稀疏视角胸部CT重建。所提出的框架同时执行解剖分割，并直接从图像质量特征中预测重建参数，包括正则化强度（λ）和组织特异性权重参数（A1和A2）。研究人员采用基于同方差不确定性的多任务学习策略，以在没有手动损失加权的情况下自动平衡分割、参数估计和重建目标。此外，源自分割精度和边缘信息的解剖感知置信图能够实现组织依赖性正则化，从而改善结构保持。与传统迭代重建方法、基于模型的正则化方法以及代表性深度学习方法相比，SvRTV-UNet在定量指标上展示了改进的重建性能。所获得的定量和定性结果证明了所提出方法相较于被评估方法的有效性。通过将基于物理的约束与解剖引导的自适应正则化相结合，SvRTV-UNet提供了一个可解释的框架，能够适应不同的采集条件，而无需针对特定视角进行重新训练。

以下是根据论文主体内容撰写的专业解读文章：

SvRTV-UNet：一种面向稀疏视角胸部CT重建的解剖引导深度学习框架

一、研究背景与问题

胸部计算机断层扫描（CT）是诊断放射学中不可或缺的成像方式，能够提供胸腔解剖结构和病理状态的高分辨率横断面可视化。然而，CT检查伴随的相对较高辐射暴露始终是临床关注的重点，尤其对于需要反复检查的患者而言。研究表明，接受超过三次胸部CT扫描的患者，其辐射诱发的恶性肿瘤风险增加24%，儿童、接受化疗的癌症患者以及需要频繁随访的慢性肺病患者风险最高。因此，在保持诊断图像质量的同时降低辐射剂量的重建策略，是现代医学成像研究的核心目标。

稀疏视角CT通过从有限数量的投影角度采集数据，为减少辐射暴露提供了有前景的途径。然而，从有限投影中重建图像本质上是一个严重不适定的逆问题，所获得的图像常包含条纹伪影、噪声放大以及精细解剖细节的丢失。传统正则化方法如全变分（TV）在视角数减少时性能显著下降，且通常在整个图像域应用均匀正则化，无法有效应对不同解剖组织的异质性特征。此外，确定合适的正则化参数本身就是一个重大挑战——不当的参数选择可能导致解剖结构过度平滑或伪影抑制不足，而手动选择或固定参数往往难以适应多样化的临床场景。

尽管深度学习方法为稀疏视角CT重建提供了新的机遇，但许多现有的深度学习方法将正则化作为固定组件或外部后处理步骤应用，限制了其在高度稀疏视角条件下的适应性。因此，迫切需要一种能够同时重建稀疏视角CT图像、整合解剖信息并根据图像特征自适应调整正则化的有效框架。

二、研究内容与结论

针对上述问题，研究人员提出了SvRTV-UNet，一种物理引导的深度学习框架，将U-Net架构与空间变化相对全变分（SvRTV）正则化相结合。该框架联合执行CT图像重建、胸部与肺部区域的解剖分割，以及重建参数（λ、A₁、A₂）的估计。通过将基于物理的约束与数据驱动的自适应正则化相结合，该框架实现了组织特异性平滑，同时保留了重要的解剖结构。研究结果表明，与传统迭代重建方法、基于模型的正则化方法以及代表性深度学习方法（包括RED-CNN、DCF和Deep-CNN）相比，SvRTV-UNet在定量指标上表现出更优的重建性能。这一工作的意义在于，它弥合了稀疏视角CT重建与解剖解释之间的鸿沟，为低剂量CT重建提供了一个灵活且可解释的框架，能够适应不同的采集条件而无需针对特定视角重新训练。

三、关键技术方法

研究人员使用LIDC-IDRI数据集（来自癌症影像档案馆TCIA），从50名受试者中随机选取约1000个轴向切片，按患者级别严格划分为训练集（40名患者，约800张切片）、验证集（5名患者，约100张切片）和测试集（5名患者，约100张切片），确保无数据泄漏。所有切片的肺部与胸壁解剖掩膜由经验丰富的放射科医师手动勾画。方法的核心包括：采用双解码器U-Net架构，以128×128分辨率输入三通道CT窗口图像，同时预测分割掩膜和标量参数；使用同方差不确定性加权策略自动平衡多任务损失；采用两阶段渐进训练策略（先分割预训练，后联合优化）；通过自监督策略估计组织特异性参数A₁和A₂；嵌入由组织特异性α图引导的SvRTV正则化模块，在256×256原生分辨率下进行迭代重建。

四、研究结果

数据集描述与预处理： 研究基于LIDC-IDRI数据集，采用患者级别的严格数据划分防止数据泄漏。所有图像被调整为256×256像素，U-Net在128×128分辨率下运行以提高计算效率。网络输入包含三个通道：原始图像、软组织窗和肺窗，以提供互补的组织特异性对比信息。正则化参数λ基于噪声功率谱（NPS）估计，使网络学习从图像质量特征而非投影视角数量来预测正则化强度。

SvRTV正则化框架： 研究人员将空间变化权重图α(n)引入相对全变分（RTV）框架，通过分割掩膜与预测的组织特异性参数（A₁、A₂）构建α图，实现对不同解剖区域的自适应正则化。迭代更新通过求解包含数据保真项与SvRTV正则化项的线性系统完成，并采用分辨率感知的动态λ缩放策略，将128×128分辨率下预测的λ转换为256×256原生分辨率的有效正则化强度。

网络架构与训练： 双解码器U-Net包含共享编码器（5层，基础滤波器64，逐层加倍至1024，瓶颈2048）、双解码器分支（分别处理胸壁和肺部分割）以及参数预测头（通过全局平均池化和全连接层预测λ、A₁、A₂）。总损失函数通过同方差不确定性加权组合分割损失、λ损失和组织参数损失，所有任务权重由网络自动学习。训练采用两阶段策略：前50个epoch仅优化分割损失，后50个epoch联合优化所有任务。

定量与定性评估： 在独立测试集（5名患者，约100张切片）上，研究人员使用均方根误差（RMSE）、平均绝对误差（MAE）、峰值信噪比（PSNR）和结构相似性指数（SSIM）等指标进行全面评估。SvRTV-UNet在多个稀疏视角水平（32、50、64、96、128视角）下均展现出优于传统迭代方法、基于模型的正则化方法和代表性深度学习方法的重建性能。定性结果进一步验证了该方法在伪影抑制和解剖结构保持方面的有效性。

五、讨论与结论

讨论部分强调了SvRTV-UNet的核心优势在于其可解释性——通过将基于物理的约束与解剖引导的自适应正则化相结合，该框架能够适应不同的采集条件而无需针对特定视角重新训练。与纯粹生成式方法相比，该方法保留了强大的基于物理的正则化核心，从根本上避免了幻觉现象并确保了数据一致性。研究结论表明，通过整合基于物理的约束与解剖引导的自适应正则化，SvRTV-UNet为稀疏视角胸部CT重建提供了一个灵活、可解释且性能优越的框架，在低剂量CT成像领域具有重要的临床应用潜力。