面向非配对低剂量CT血管造影重建的结构约束语言信息扩散模型
计算机视觉与模式识别
2026-01-29 v1 人工智能
摘要
碘造影剂（ICM）的应用提高了CT对广泛临床指征的灵敏度和特异性，但过量使用ICM可导致肾损伤和危及生命的过敏反应。深度学习方法可生成正常剂量ICM的CT图像，从低剂量ICM中重建，减少所需剂量 while maintaining诊断power.然而，现有方法难以在不完全配对的图像上实现准确增强，主要因为模型识别特定结构的能力有限。为克服这一限制，我们提出结构约束语言信息扩散模型（SLDM），一种统一的医学生成模型，集成结构协同和空间智能。首先，有效提取图像的结构先验信息以约束模型推理过程，确保增强过程中的结构一致性。随后，引入空间智能语义监督策略，将视觉感知和空间推理功能集成，促使模型实现准确增强。最后，应用减法血管造影增强模块，以提高ICM药剂区域的对比度至适宜观察的区间。对视觉比较和多个指标的定性分析结果表明，我们的方法在低剂量对比增强CT血管造影重建方面有效。
引用
@article{arxiv.2601.20304,
title = {Structure-constrained Language-informed Diffusion Model for Unpaired Low-dose Computed Tomography Angiography Reconstruction},
author = {Genyuan Zhang and Zihao Wang and Zhifan Gao and Lei Xu and Zhen Zhou and Haijun Yu and Jianjia Zhang and Xiujian Liu and Weiwei Zhang and Shaoyu Wang and Huazhu Fu and Fenglin Liu and Weiwen Wu},
journal= {arXiv preprint arXiv:2601.20304},
year = {2026}
}