面向通用 CT 日ogram 标准化的物理驱动基础模型 UniSino
计算机视觉与模式识别
2025-08-26 v1 人工智能
摘要
在 CT 成像的原始数据采集过程中，多种因素会导致收集的日ogram 受到降采样和噪声的影响，进而在重建图像中引发严重的伪影和噪声，影响诊断准确性。传统的校正方法依赖于手动设计的算法或固定的经验参数，但这些方法往往在跨异构伪影类型的通用性方面不足。为此，我们提出 UniSino，一种用于日ogram 通用标准化的基础模型。与现有的基础模型不同，UniSino 直接在投影域对数据进行标准化，这使其能够在多样化的降采样场景下实现更强的泛化。其训练框架融合了日ogram 的物理特性，增强了泛化性，使其在涵盖四个基准数据集的多个子任务上表现出稳健的性能。实验结果表明，UniSino 在单一和混合降采样情况下的重建质量均优于其他方法，在 CT 成像日ogram 增强方面展现出卓越的鲁棒性和泛化能力。项目代码已公开：https://github.com/yqx7150/UniSino。
引用
@article{arxiv.2508.17816,
title = {UniSino: Physics-Driven Foundational Model for Universal CT Sinogram Standardization},
author = {Xingyu Ai and Shaoyu Wang and Zhiyuan Jia and Ao Xu and Hongming Shan and Jianhua Ma and Qiegen Liu},
journal= {arXiv preprint arXiv:2508.17816},
year = {2025}
}