《International Journal of Imaging Systems and Technology》：Progressive Refinement Autoencoder for Low-Dose Computed Tomography Enhancement
编辑推荐：
诊断成像中电离辐射的使用在全球范围内是常见做法，但成像过程本身具有相关风险。因此建议在计算机断层扫描（computed tomography，CT）成像中采用尽可能低的电离辐射剂量；CT利用一系列X射线扫描重建体组织切片图像。降低辐射剂量的常用策略是四分之一剂
诊断成像中电离辐射的使用在全球范围内是常见做法，但成像过程本身具有相关风险。因此建议在计算机断层扫描（computed tomography，CT）成像中采用尽可能低的电离辐射剂量；CT利用一系列X射线扫描重建体组织切片图像。降低辐射剂量的常用策略是四分之一剂量（quarter-dose）技术，其可减少X射线剂量，但会带来噪声与图像锐度损失。由于从方向性X射线进行CT图像重建是非线性过程，解析地修正剂量降低对图像质量的影响较为困难。近期流行的深度学习方法为低剂量CT图像增强提供了新可能。研究人员旨在开发一种基于U-Net的深度学习方法，在解码器路径加入精炼模块，以增强四分之一剂量CT图像并保留诊断相关细节。该研究提出一种新型自编码器方法，保留U-Net常规编码骨干，仅在解码路径集成轻量级精炼模块；精炼模块由粗分辨率和细分辨率残差块组成，所提方法逐步更新特征表示以增强精细细节。研究在Low Dose CT Grand Challenge数据集上与已知架构对比评估：数据含10名患者的四分之一剂量与全剂量CT切片，先以固定间隔测试集评估，再以300对切片的患者级分层随机测试集评估，其余图像分训练集与验证集。由执业放射科医生进行的盲测表明，增强后四分之一剂量CT图像的诊断可接受性评分高于原始四分之一剂量图像，且在主观比较中常优于全剂量CT图像。所提渐进式精炼U-Net提供一种解码器侧精炼策略，取得具竞争力的定量性能，并凸显了放射科医生评分与结构化主观比较在低剂量CT复原方法评价中的重要性。
《International Journal of Imaging Systems and Technology》刊发的该论文面向低剂量计算机断层扫描（computed tomography，CT）图像增强问题。研究背景方面，CT通过多角度X射线与Radon反演类反向投影重建切片图像，可显示血管网络与空间几何，但多次旋转角度曝光使患者接受较高辐射；低剂量CT（low-dose CT，LDCT）虽降低辐射，直接降价或少数角度采集会显著降低图像质量，影响放射科医生诊断准确性。医学中心通常不能同时提供全剂量与四分之一剂量（quarter-dose）配对数据，导致监督学习样本稀缺，而深度神经网络（deep neural network，DNN）又需大量数据与算力，因此在有限数据下抑制剂量相关噪声与伪影、保留解剖结构，是亟待解决的问题。研究人员开展一项基于U-Net的自编码器研究：保留常规编码骨干，仅在解码路径插入粗、细两尺度残差精炼模块，以渐进方式更新特征表示，并用Min-Max归一化后的512×512灰度切片进行训练，同时引入执业放射科医生盲法评分，超越仅看峰值信噪比（peak signal-to-noise ratio，PSNR）等相似度指标的评价范式。
关键技术方法上，研究人员使用Low Dose CT Grand Challenge数据集，含10名患者（L067、L096、L109、L143、L192、L286、L291、L310、L333、L506）的1 mm层厚512×512切片；构建固定间隔测试集与患者级分层随机测试集（每患者10层分成10条带、每带抽3片，共300对）。模型为两下采样级U-Net样骨干，瓶颈为256至128通道，解码端在半分辨率融合后做粗精炼、全分辨率整合后做细精炼，精炼单元为两层3×3卷积加残差相加与ReLU；以均方误差（mean squared error，MSE）训练，对比U-Net、RED-CNN、DnCNN、CycleGAN及双边滤波（bilateral filter，BF）、非局部均值（non-local means，NLM）、小波去噪（wavelet denoising，WD）；并在同一架构下比较MSE、MSE-SSIM、MSE-梯度损失，补算Pearson、Spearman、HFEN、GMAD与ICC、Wilcoxon检验。
研究结果如下。4.1 Quantitative Results：经第一测试集，所提模型PSNR 28.18 dB、SSIM 0.824±0.058、RMSE 0.042±0.009，优于U-Net与DnCNN，与RED-CNN相当；传统滤波与CycleGAN较弱。第二测试集（300对）重训后结果稳定，PSNR 28.20 dB、SSIM 0.817±0.055，说明性能不依赖固定间隔取样。损失函数分析中，MSE得最高PSNR与最低HFEN，MSE-SSIM使SSIM升至0.837、GMAD下降，证明结构相似与梯度项可改善边缘一致性但不改像素误差格局。4.2 Qualitative Analysis via Radiologists：两名放射科医生对全剂量、四分之一剂量与增强图盲评1–10分；增强图均值7.65±0.44，高于全剂量6.22±0.76与四分之一剂量3.45±1.19。ICC(C,1)=0.736显示评分趋势中等偏好评一致，ICC(A,1)=0.594说明存在读者间偏差；配对Wilcoxon检验中增强图相对全剂量与四分之一剂量均p<0.001，效应量大，增强图常被首选且未抹除诊断性视觉线索。
讨论部分指出，监督深度学习方法总体优于常规滤波，CycleGAN因训练策略与结构在本设置下竞争力弱；所提解码器侧精炼虽轻量，却改进U-Net基线并与主流深度学习（deep learning，DL）方法媲美，重点不是新主干而是局部残差精炼。研究人员强调低剂量CT复原不能只靠PSNR/SSIM，放射科医生评分与结构化主观比较才是临床相关评价。
结论部分译为：实验结果表明，所提精炼集成自编码器相较经典图像增强技术与现代人工智能方法，为四分之一剂量CT图像增强提供了具吸引力的方法；该方法不仅提升四分之一剂量输入的可视质量，还保留精确诊断所需视觉指示。定量结果显示，本实验设置下监督深度学习方法通常优于常规滤波方法；CycleGAN表现较弱，说明性能也取决于训练策略与模型结构。尽管所提解码器侧精炼策略相对简单，其仍改进U-Net基线，并与受评深度学习方法取得具竞争力结果。该方法的重要意义在于以纯卷积、图像域监督、无投影域或可微滤波反投影（filtered back projection，FBP）需求的紧凑架构，突出了解码路径局部残差精炼在低剂量CT增强中的临床与评价价值。
