CT 图像质量优化的因果分析与预测推理：CAPRI-CT
计算机视觉与模式识别
2025-07-24 v1
摘要
在计算机断层扫描(CT)中，实现高图像质量的同时最小化辐射暴露始终是临床中的关键挑战。本文提出 CAPRI-CT，一个新型因果感知深度学习框架，用于 CT 图像质量优化的因果分析与预测推理。CAPRI-CT 将图像数据与获取元数据(如管电压、管电流和对比剂类型) 集成，以建模影响图像质量的潜在因果关系。采用变分自编码器(Variational Autoencoders, VAEs) 的集成方法，从观测数据中(包括 CT 图像及其相关获取参数) 提取有意义的特征并生成因果表示。将这些输入特征融合后，用于预测信噪比(Signal-to-Noise Ratio, SNR) 并支持反事实推理，实现如改变对比剂类型(种类和浓度) 或扫描参数等的情景模拟。CAPRI-CT 采用集成学习方法进行训练和验证，实现了卓越的预测性能。通过实现预测和可解释性，CAPRI-CT 提供了可操作的见解，帮助放射科医生和技术人员设计更高效的 CT 协议，而无需进行重复的物理扫描。源代码和数据集已公开于 https://github.com/SnehaGeorge22/capri-ct。
引用
@article{arxiv.2507.17420,
title = {CAPRI-CT: Causal Analysis and Predictive Reasoning for Image Quality Optimization in Computed Tomography},
author = {Sneha George Gnanakalavathy and Hairil Abdul Razak and Robert Meertens and Jonathan E. Fieldsend and Xujiong Ye and Mohammed M. Abdelsamea},
journal= {arXiv preprint arXiv:2507.17420},
year = {2025}
}