利用图像编辑基础模型实现数据高效的CT金属伪影消除
计算机视觉与模式识别
2026-04-08 v1 图像与视频处理
摘要
高衰减植入物产生的金属伪影严重降低CT图像质量，掩盖关键解剖结构，并对需要大量配对训练数据的标准深度学习方法构成挑战。我们提出范式转变：通过参数高效的Low-Rank Adaptation（LoRA）调整通用视觉语言扩散基础模型，将伪影消除重新构建为上下文推理任务。利用丰富的视觉先验，我们的方法仅使用16至128个配对训练样本即可实现有效伪影抑制，将数据需求降低两个数量级。关键的是，我们证明领域适应对于幻觉缓解至关重要；没有它，基础模型将条纹伪影误认为错误的自然物体（如华夫饼或培养皿）。为实现重建的基线化，我们提出了一种多参考条件策略，在提供损坏输入的同时提供来自无关受试者的干净解剖示例，使模型能够利用类别特定上下文推断未损坏的解剖结构。在AAPM CT-MAR基准上的广泛评估表明，我们的方法在感知和放射学特征指标上达到了最先进的性能。这项工作确立了基础模型在适当调整后，可作为可解释、数据高效的医学图像重建的可扩展替代方案。代码可在 https://github.com/ahmetemirdagi/CT-EditMAR 获取。
引用
@article{arxiv.2604.05934,
title = {Leveraging Image Editing Foundation Models for Data-Efficient CT Metal Artifact Reduction},
author = {Ahmet Rasim Emirdagi and Süleyman Aslan and Mısra Yavuz and Görkay Aydemir and Yunus Bilge Kurt and Nasrin Rahimi and Burak Can Biner and M. Akın Yılmaz},
journal= {arXiv preprint arXiv:2604.05934},
year = {2026}
}
备注
Accepted to CVPRW 2026 Med-Reasoner