一种统一 CT 模型训练框架统一规则所有扫描协议
计算机视觉与模式识别
2026-03-17 v1
摘要
非理想测量 CT (NICT) 降低辐射剂量却牺牲图像质量，正在拓展 CT 的临床应用。虽然统一模型在 NICT 增强方面显示出前景，但大多数方法需要配对数据，而器官运动导致这一要求不切实际。无监督方法试图克服这一限制，但其假设噪声均匀，忽视了扫描协议的可变性，导致泛化差且可能出现模型崩溃。我们进一步观察到，不同的扫描协议对应不同的物理成像过程，在特征空间中产生离散的子流形，这与这些假设相矛盾，限制了其有效性。为此，我们提出了不确定性引导的流形平滑 (UMS) 框架，以填补子流形之间的空隙。UMS 中的分类器识别子流形并预测不确定性得分，这些得分指导在整个流形上生成多样化样本。通过利用分类器的能力，UMS 有效填补了离散子流形之间的空隙，促进了连续稠密的特征空间。鉴于全局流形的复杂性，我们难以直接对其进行建模。因此，我们提出动态地整合全局和子流形特定特征。具体地，我们设计了一个由分类器引导的全局和子流形驱动的架构，使网络能够动态适应子域变化。这种动态机制提高了网络捕捉共享特征和领域特定特征的能力，从而提升了重建性能。在公开数据集上进行了大量实验，以验证该方法在不同生成范式下的有效性。
引用
@article{arxiv.2603.15025,
title = {One CT Unified Model Training Framework to Rule All Scanning Protocols},
author = {Fengzhi Xu and Ziyuan Yang and Zexin Lu and Yingyu Chen and Fenglei Fan and Hongming Shan and Yi Zhang},
journal= {arXiv preprint arXiv:2603.15025},
year = {2026}
}