一种基于仿真驱动的CT金属伪影减少策略，旨在提升网络的泛化能力

《MEDICAL PHYSICS》：A strategy for simulation-driven CT metal artifact reduction toward improving network generalizability

CT金属伪影抑制的自监督框架研究，通过MLP物理驱动束硬化校正与条件潜在扩散模型结合，无需配对数据即可实现高效伪影去除，在合成和临床数据上均表现优于现有方法。

　　

摘要

背景

我们采用基于生成式深度学习模型的方法，在成像物理框架内解决计算机断层扫描（CT）中的金属伪影（MAR）问题。尽管现有的基于深度学习的MAR方法具有潜力，但它们通常缺乏对伪影形成过程的显式物理建模，且严重依赖于数据驱动的映射机制。缺乏物理先验不仅限制了方法的可扩展性（因为这些方法通常需要成对的数据集或特定于任务的数据集），还使得这些方法容易产生伪影幻觉、解剖结构失真以及伪影抑制效果不稳定。

目的

我们提出了一种新颖的自我监督框架，用于CT伪影去除（MAR），该框架结合了基于轻量级多层感知器（MLP）的束硬化校正技术和条件潜在扩散模型（LDM）。通过引入物理信息校正步骤和伪影再现模拟技术，该框架旨在提高在不同场景下的可扩展性，减少伪影幻觉效应，并提升重建图像的结构保真度。

方法

所提出的MLP模型执行物理驱动的多项式校正，作为现有方法的简化且高效的替代方案。此外，该MLP模型在其优化目标中隐含地考虑了正弦图的一致性，从而实现针对具体情况的适应和向期望解的收敛。同时，学习到的MLP参数被用于从无伪影的扫描数据中生成含有伪影的模拟图像，从而无需真实的成对数据集即可进行自我监督训练。然后，使用条件LDM对这些合成数据对进行训练以去除残余伪影。

结果

通过在低维潜在空间中操作，LDM显著缩短了推理时间，同时保持了高质量的重建结果。所提出的方法在SynDeepLesion数据集和真实临床数据上均得到了验证，显示出比现有最先进MAR技术更出色的伪影去除和结构保留能力。我们特别强调了该框架的鲁棒性、泛化能力和临床适用性。

结论

我们提出了一种自我监督的金属伪影去除框架，该框架将基于MLP的束硬化校正技术与成像物理框架中的条件潜在扩散模型相结合。MLP模块生成了具有物理依据的束硬化校正后的CT图像，而残余伪影模拟策略使得无需成对数据即可实现完全自我监督的训练。所提出的方法在合成数据和临床数据集上都表现出更优异的伪影抑制和结构保留效果，优于现有方法。

利益冲突声明

作者声明不存在任何利益冲突。