RA-CMF：用于CT图像重建的区域自适应条件均值流
计算机视觉与模式识别
2026-05-05 v1 人工智能
摘要
CT成像对于肺癌的筛查、诊断、治疗计划和预后至关重要。然而，由于不同成像协议和扫描仪型号的差异，由不同方式获取的CT图像在噪声统计、对比度和纹理方面可能存在显著差异。本研究开发了一种新的条件均值流管道用于CT图像重建。我们引入一种条件均值流网络，通过预测给定中间图像状态的图像条件化流场来建模增强轨迹。在图像重建损失的基础上，还采用均值流一致性损失对图像增强网络进行训练。为在增强位置上提供自适应细化过程，我们将区域强化学习驱动的策略网络集成到该方法中。该策略网络接收均值流滚动的信息，提供针对图块级细化预算、停止标准和总预算分配的预测。该策略网络通过策略梯度框架进行训练，训练奖励目标是在最大化增强改进的同时最小化不必要的计算，避免不稳定现象。如此，本方法将条件流式增强与强化学习驱动的空间增强控制相结合。允许该方法在已显示足够质量的区域获得更多注意力，同时稳定这些区域。结果表明，在肿瘤ROI中实现了较高精度，平均放射组特征CCC为0.96，平均PSNR为31.30±4.16，平均SSIM为0.94±0.07。此外，整体图像质量有所提升，平均PSNR为34.23±1.71，平均SSIM为0.95±0.01。
引用
@article{arxiv.2605.00901,
title = {RA-CMF: Region-Adaptive Conditional MeanFlow for CT Image Reconstruction},
author = {Md Shifatul Ahsan Apurba and Md Selim and Jin Chen},
journal= {arXiv preprint arXiv:2605.00901},
year = {2026}
}