FPdiff:融合傅里叶先验的广义扩散模型用于 CBCT 散射校正

《Displays》:FPdiff: Fourier prior-infused generalized diffusion model for CBCT scatter correction

【字体: 大 中 小 】 时间:2026年10月11日 来源:Displays 3.9

编辑推荐:

   •我们首次提出了FPdiff,一种融合傅里叶先验的广义扩散模型,用于CBCT散射校正。•设计了傅里叶-空间融合注意力(FSFA)机制,以高效捕捉全局频域特征和局部空间特征。•多域复合损失函数在金标准MC数据集上实现了最先进的校正性能。引言计算机断层扫描(CT)技术凭借其非侵入

  
  • •
    我们首次提出了FPdiff,一种融合傅里叶先验的广义扩散模型,用于CBCT散射校正。
  • •
    设计了傅里叶-空间融合注意力(FSFA)机制,以高效捕捉全局频域特征和局部空间特征。
  • •
    多域复合损失函数在金标准MC数据集上实现了最先进的校正性能。

引言

计算机断层扫描(CT)技术凭借其非侵入式检测能力,在临床诊断领域得到了广泛应用。其中,锥形束CT(CBCT)系统因其辐射剂量低、空间分辨率高,在牙齿诊断和小范围骨骼结构成像方面具有突出优势[1],[2]。然而,受散射、束硬化、光子饥饿和准直系统不完善等非理想因素的影响,CBCT成像容易产生伪影,而散射是导致这些伪影的主要因素[3],[4]。这些伪影具体表现为杯状伪影、条纹伪影、CT值偏差和对比度降低,严重干扰了准确临床诊断的实现。因此,散射校正仍然是CT技术发展过程中亟待解决的关键任务。
早期开发的基于硬件测量的散射校正方法包括空气间隙法、抗散射栅(ASG)和束遮阵列(BSG)。这类方法存在固有的缺陷,如原始X射线强度的衰减以及不同系统之间硬件兼容性差[5],限制了其通用性应用。在基于软件的校正方法中,散射核反卷积(SKD)方法具有成本低、计算效率高的显著优势。然而,该方法高度依赖系统几何参数,且其校正精度难以满足临床需求[6]。蒙特卡罗(MC)方法能够实现高精度散射信号模拟,但其传统实现需要消耗大量计算资源,高昂的计算成本严重限制了其实时应用[7]。
近年来,深度学习在医学图像恢复领域展现出了巨大的潜力。FBPConvNet[8]、残差编解码卷积神经网络(RED-CNN)[9]和深度残差卷积神经网络(DRCNN)[10]等方法通过对输入的劣质CT数据进行后处理,实现了从低质量到高质量CT图像的映射。其中,Jiang等人提出的DRCNN是专为散射伪影校正设计的算法,采用双残差模块缓解网络训练中的梯度消失问题,与传统校正算法相比,显著降低了校正误差。在此基础上,Zhang等人提出的FSTUNet[11]融合了CNN和Swin Transformer的优点,并改进了特征窗口滑动机制,从而实现了更高精度的散射校正。Piao等人[6]将传统的SKD方法融入深度强化学习架构中,赋予模型更强的物理可解释性,并在小样本条件下提供了优异的散射校正性能。然而,这些方法存在明显的局限性。这些网络仅学习数据驱动的映射关系,而未捕捉CT图像恢复的潜在物理机制,这常常导致重建图像过度平滑和泛化能力不足,阻碍了其临床转化。此外,它们仅关注空间域特征,而忽略了散射伪影的频域特性,而频域特性对于CT图像的细节恢复至关重要。
近年来,扩散模型在医学图像处理领域受到了广泛关注,这得益于其在高保真图像生成方面的卓越性能[12],[13],[14]。与早期深度学习架构的生成范式不同,扩散模型凭借其独特的噪声预测机制和渐进式生成范式取得了更优异的表现。具体而言,扩散模型通过前向过程逐渐向输入的低质量图像添加高斯噪声,随后训练神经网络近似逆向过程,通过迭代去噪生成高质量图像。Luo等人提出的IR-SDE[15]将去噪终点设置为退化图像与高斯噪声的耦合,作为多任务图像恢复的基础模型。Wan等人[16]提出了一种统一扩散模型用于多任务图像恢复,展示了单一框架处理复杂耦合物理退化的强大能力,为基础恢复模型提供了深刻见解。Ai等人[17]采用低剂量CT和正常剂量CT的投影数据作为监督数据,验证了在非高斯噪声干扰图像上训练模型的可行性。Lorenzon等人[18]开发了一种基于扩散后验采样的散射校正方法,该方法将散射项直接嵌入到光谱CT的前向投影模型中,显著降低了散射伪影引起的材料密度估计误差。然而,扩散模型的迭代特性引入了固有的局限性。传统的去噪扩散概率模型(DDPMs)通常需要数千步采样才能产生合格图像[19]。尽管提出了众多加速算法[20],[21],扩散模型在实际临床应用中仍然需要过高的计算成本。
为解决上述问题,本工作首次提出了一种用于CBCT图像散射伪影校正的广义扩散模型,称为FPdiff。该方法无需任何散射生成过程的先验知识,即可直接从含散射污染的CBCT图像重建清晰的高质量CT图像。具体而言,所提框架构建了一个线性退化模型,该模型模拟散射伪影引起的CT图像退化,并将伪影去除任务分解为一系列可处理的中间步骤。鉴于散射伪影的频域和空间域分布特性,本研究设计了傅里叶-空间融合注意力(FSFA)机制。同时,构建了一个多域复合损失函数,由傅里叶域损失和投影域损失组成。该损失函数在网络训练过程中对空间域、傅里叶域和投影域施加多域一致性约束。这一设计从根本上解决了现有散射校正方法的核心缺陷,包括泛化性能弱和物理可解释性不足。我们的主要贡献如下:
  • •
    提出了一种基于扩散模型的散射校正方法。通过建立干净图像流形与含散射退化图像流形之间的连续过渡轨迹,有效增强了模型的泛化能力,实现了更精确的散射校正。
  • •
    针对散射伪影特性,设计了一种集成注意力机制和多域混合损失函数,融合空间域、傅里叶域和投影域以提升伪影抑制性能。
  • •
    在多组数据集上的验证表明,与现有主流算法相比,所提模型具有更优越的伪影抑制能力和对比度恢复性能。

章节摘要

总体框架

本文提出了一种融合傅里叶域信息的扩散模型用于散射校正,旨在提高模型在散射估计中的准确性和泛化能力。
在此,我们保留了基于朗之万动力学的退化-恢复迭代核心逻辑。我们消除了对高斯噪声的依赖,并将扩散模型的过程从从高斯噪声恢复真实图像扩展为从含散射退化的图像恢复真实图像。这强调了

数据集

传统散射校正方法存在计算复杂度高、计算成本大等问题[33]。通过利用深度学习算法,本工作力求在模型预训练后实现与临床使用的散射校正方法相当的性能。为全面验证所提算法的有效性,实验包含三种类型的数据集,这些数据集涵盖不同的散射模拟方法和数据

特点

实验结果表明,所提模型在主观和客观评价指标上均优于所有对比算法。这些结果验证了在CT散射校正中构建数据流形之间过渡轨迹的显著潜力。具体而言,它们证实了在该任务中融合傅里叶域信息的有效性。该模型的核心优势体现在两个方面:
(1) 所提方法采用了一种广义

结论

本文针对现有算法在CT散射校正任务中的核心瓶颈:泛化能力弱和图像细节恢复不足。为解决这些问题,我们提出了FPdiff算法。FPdiff算法在干净图像流形与含散射污染图像流形之间建立了连续的退化轨迹,并集成了傅里叶域-空间域联合注意力机制和定制的多域复合损失函数。通过这些

利益冲突声明

作者声明,他们不存在已知的竞争性经济利益或个人关系可能影响本文所报告工作的情况。

致谢

本工作受国家重点研发计划(2022YFF0706400)和中央高校基础研究基金(2024CDJYXTD-009)资助。
何超良|张根源|王子豪|童千|段晓娇|刘丰林
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