网站在哪备案php无版权企业网站管理系统

网站在哪备案,php无版权企业网站管理系统,小红书推广计划,设计师用的素材网站2025.12.16这篇文章发表于《Medical Image Analysis》期刊#xff08;2026 年第 108 卷#xff09;#xff0c;由燕山大学、中山大学、北京理工大学等机构学者联合撰写#xff0c;聚焦低剂量 CT#xff08;LDCT#xff09;的金属伪影去除与去噪问题。Title题目01Prompt g…2025.12.16这篇文章发表于《Medical Image Analysis》期刊2026 年第 108 卷由燕山大学、中山大学、北京理工大学等机构学者联合撰写聚焦低剂量 CTLDCT的金属伪影去除与去噪问题。Title题目01Prompt guiding multi-scale adaptive sparse representation-driven network for low-dose CT MAR低剂量CT金属伪影去除的提示引导多尺度自适应稀疏表示驱动网络文献速递介绍02X射线计算机断层扫描CT在医学诊断中广泛应用但X射线辐射可能增加患者癌症风险尤其当累积暴露量超过阈值时。为降低辐射低剂量CTLDCT被广泛使用但这会导致投射数据被泊松噪声污染进而影响重建图像质量。当患者体内存在金属植入物时LDCT图像质量会因金属伪影进一步降低。因此如何同时实现LDCT去噪和金属伪影去除LDMAR是一个重要挑战。现有基于深度学习的LDCT去噪或全剂量CT金属伪影去除方法主要分为投射域、图像域和双域三类但直接应用于LDMAR任务效果不佳。此外这些方法通常为每个特定设置训练一个模型导致多剂量水平下的存储成本高昂且模型缺乏适应性。为解决这些瓶颈本文提出了一种提示引导多尺度自适应稀疏表示驱动网络PMSRNet并将其集成到双域框架中构建了模型可解释的PDuMSRNet旨在通过单一模型适应多种剂量。Aastract摘要02低剂量CT能够减少X射线辐射暴露但会降低图像质量并在存在金属植入物的情况下产生金属伪影。现有的深度学习方法在同时进行低剂量CT重建和金属伪影去除LDMAR时面临两个主要限制网络设计忽略多尺度和尺度内信息以及为不同剂量训练独立模型需要大量存储空间。为解决这些问题本文提出了一种名为PMSRNet的提示引导多尺度自适应稀疏表示驱动网络。PMSRNet通过精心设计的提示引导尺度自适应阈值生成器PSATG和多尺度系数融合模块MSFuM同时利用尺度内特征和跨尺度互补性。PSATG能够自适应捕获局部、区域和全局层面的多重上下文信息以生成更准确的阈值。此外本文还提出了一个模型可解释的双域LDMAR框架——PDuMSRNet并采用提示引导策略训练单一模型以适应多种剂量水平。实验证明所提出的方法在多种剂量水平下均优于现有LDMAR方法。Method方法03本文提出了一个模型可解释的双域LDMAR网络PDuMSRNet。首先通过优化模型将LDMAR问题表述为结合数据保真项和稀疏正则化项的优化问题。该优化问题通过交替求解正弦图域变量和图像域变量来解决并利用近端梯度方法将迭代算法展开为深度神经网络。PDuMSRNet由T个阶段组成每个阶段包含一个用于正弦图域处理的s-Net由残差块组成和一个用于图像域重建的x-Net即PMSRNet。PMSRNet是一个提示引导多尺度自适应稀疏表示驱动网络它采用可学习的稀疏化框架进行去噪并扩展到多尺度版本以增强表示能力。PMSRNet的核心组件包括多尺度稀疏化框架用于不同尺度的特征提取提示引导尺度自适应阈值生成器PSATG通过融合局部、区域和全局信息以及结合剂量图、金属掩模和输入实例等提示信息生成空间自适应的阈值多尺度系数融合模块MSFuM基于交叉注意力机制融合高分辨率和低分辨率特征以充分利用跨尺度互补性。这种模型驱动的架构确保了固有的可解释性并允许单一模型适应不同的CT剂量设置。Discussion讨论04本研究进一步讨论了所提出PDuMSRNet的存储需求、临床验证和对下游分割任务的影响。在存储效率方面PDuMSRNet采用单一模型适应多剂量水平其存储成本显著低于为每个剂量水平单独训练的DuMSRNet模型约为后者的三分之一展现出更高的存储效率和灵活性。尽管存储成本略高于BDuMSRNet但PDuMSRNet的重建质量更优这得益于其提示引导模块。在临床验证方面模型在CTPelvic1K临床数据集上进行了评估结果表明尽管在模拟数据集上训练PDuMSRNet在临床数据上也能有效减少金属伪影和噪声并保留关键边缘信息优于其他主流方法。特别是PDuMSRNet在金属伪影附近组织细节的恢复上表现出色而其他方法常出现失真或过平滑。对于下游分割任务将PDuMSRNet的重建结果输入到Segment Anything Model (SAM) 中与原始LDCT图像相比重建结果能分割出更多清晰可辨的解剖结构验证了该方法在促进诊断分析和治疗规划等关键下游应用中的有效性。Conclusion结论05本文提出了一种模型可解释的提示引导多尺度自适应稀疏表示驱动网络PMSRNet并在此基础上构建了增强的双域网络PDuMSRNet用于同时进行低剂量CT重建和金属伪影去除LDMAR。PMSRNet由多尺度稀疏化框架、PSATG和MSFuM三个核心组件构成能够同时利用尺度内特征和跨尺度互补性。PSATG能够从局部、区域和全局层面提取特征捕获多重上下文信息而MSFuM则融合了高分辨率特征的细节信息和低分辨率特征的上下文信息。大量的实验结果表明所提出的DuMSRNet始终优于现有先进方法并且PDuMSRNet在实现更高重建质量的同时降低了模型存储成本并提供了更大的灵活性。然而当前方法在临床数据集上仍存在模糊问题这主要是由于模型泛化能力不足以及模拟训练数据与临床测试数据之间固有的领域差距。未来的工作将涉及使用真实世界的临床数据集来训练模型以进一步提升重建性能。Results结果06本文采用混合双域损失函数进行模型训练并通过峰值信噪比PSNR、结构相似性指数SSIM和均方根误差RMSE评估重建结果。实验在DeepLesion数据集上进行模拟并在CTPelvic1K临床数据集上进行验证。DuMSRNet在1/2、1/4和1/8剂量水平以及不同金属尺寸下均表现出优于现有LDCT去噪和多任务学习方法的性能。双域框架如InDuDoNet和DuMSRNet比单域方法获得更高的PSNR值强调了利用正弦图和图像域知识的优势。定性比较显示DuMSRNet能更有效地抑制噪声和金属伪影同时保留关键组织结构这归因于其多尺度自适应稀疏表示框架和提示引导模块对尺度内特征、跨尺度互补性和金属植入物先验的建模能力。然而在处理大型金属植入物时网络偶尔会将大量条纹伪影与真实解剖组织混淆。消融实验证实了双域学习、尺度自适应阈值生成器PSATG以及提示引导策略和多尺度系数融合模块MSFuM的有效性它们对模型性能的提升至关重要。Figure图07图1.PDuMSRNet的概述。该架构是从求解LDMAR任务的优化迭代中展开的包含T个阶段对应T个迭代步骤。具体来说正弦图域变量s(t1)和图像域变量x(t1)在(t1)阶段交替更新其中s-Net用于正弦图域处理PMSRNet用于图像域重建。s-Net架构包含正弦图域中的三个残差块而PMSRNet是图像域中提出的提示引导多尺度自适应稀疏表示驱动网络。这种设计明确遵循公式(9)和公式(14)中导出的更新规则确保了模型驱动的深度学习框架。图2.提示引导多尺度自适应稀疏表示驱动网络PMSRNet顶部、提示引导尺度自适应阈值生成器PSATG中部和多尺度系数融合模块MSFuM底部的概述。PMSRNet包含三个组件多尺度稀疏化框架、PSATG和MSFuM。PSATG旨在利用提示信息先验生成忠实阈值包含五个部分1浅层特征提取模块依靠卷积层2深层特征提取模块通过并行化卷积神经网络、窗口注意力和锚定条纹注意力在局部、区域和全局层面建模图像3特征选择模块利用通道注意力机制自适应地重新加权来自不同特征提取模块的信息4阈值生成模块通过利用来自特征选择模块的信息生成忠实阈值来增强PMSRNet的性能5提示引导模块利用提示信息包括带有金属植入物的LDCT图像、金属掩模和剂量图来引导阈值生成过程。MSFuM用于融合多尺度表示主要包含一个交叉注意力和一个前馈网络以有效整合不同分辨率的特征。在结构上PMSRNet采用四尺度架构。在每个尺度上处理流程包括可学习稀疏化框架的稀疏编码过程、带有提示信息先验的阈值处理过程以及可学习稀疏化框架的图像生成过程它们按顺序工作以最终生成重建图像。图3.在1/2剂量水平下不同方法对带有金属植入物的LDCT图像的视觉评估。放大绿色屏幕可增强图像观看体验。PSNR和SSIM值在各自方法重建的整个图像上计算。金属植入物以红色掩模突出显示。蓝色箭头表示重建的结构信息。显示窗口为[-1000, 1000] HU。图4.在1/4剂量水平下不同方法对带有金属植入物的LDCT图像的视觉评估。放大绿色屏幕可增强图像观看体验。PSNR和SSIM值在各自方法重建的整个图像上计算。金属植入物以红色掩模突出显示。蓝色箭头表示重建的结构信息。显示窗口为[-1000, 1000] HU。图5.在1/4剂量水平下BDuMSRNet和PDuMSRNet在LDCT图像上的视觉评估和重建误差大小。放大绿色屏幕可增强图像观看体验。PSNR和SSIM值在各自方法重建的整个图像上计算。金属植入物以红色掩模突出显示。图6.不同方法在带有金属植入物的临床数据集上的视觉评估。放大细节显示在绿色框中。显示窗口为[-175, 275] HU。蓝色箭头表示关键区域例如金属伪影附近的组织突出了所有方法在重建质量上的差异。图7.LDCT图像和我们提出方法的SAM分割结果。不同颜色代表不同的分割区域。蓝色箭头表示关键区域例如金属植入物和伪影附近的组织突出了分割质量的差异。