CT扫描被广泛用于患者的身体检查,然而电离辐射暴露可能增加患者罹患癌症等放射相关疾病的风险,降低辐射剂量虽可减少辐射危害但会导致图像质量显著下降并影响诊断准确性,由于医疗数据的隐私性和稀缺性,单一医疗机构往往难以积累足够规模的优质数据,这严重制约了基于深度学习的成像网络训练效果,这些因素共同构成了CT扫描技术发展中的关键瓶颈问题。

图 1 不同扫描方法及扫描部位的成像差异
针对这些低剂量CT成像领域的关键问题,四川大学网络空间安全学院张意教授团队对成像的物理过程进行思考,并提出通过设计双重物理驱动的个性化联邦CT成像框架(《Patient-Level Anatomy Meets Scanning-Level Physics: Personalized Federated Low-Dose CT Denoising Empowered by Large Language Model》)该论文通过实现通过引入对影响低剂量CT的解剖和扫描的相关物理特征实现切片级的个性化成像。具体而言,该方法通过引入医疗大模型,对解剖信息进行提取对成像特征的空间信息进行调制,并且通过设计超参网引入几何参数对成像特征进行正则化调制。实验结果表明,该方法可以在不同低剂量策略上均取得较好的重建效果,并且可以与不同的成像网络进行结合,具有较好的泛化能力。该成果被CVPR 2025录用,该成果联合东南大学、复旦大学合作完成,2021级博士生杨子元为第一作者,张意教授为通信作者。

图 2 所提方法框架图
国际计算机视觉与模式识别会议(IEEE Conference on Computer Vision and Pattern Recognition, CVPR 2025)官方公布论文收录结果。本届CVPR会议共收到13008份有效投稿并进入评审流程,录用2878篇,最终录用率为22.1%。CVPR是是计算机视觉和模式识别领域的顶级会议之一,不仅在学术界具有极高的声誉,同时在工业界也具有广泛影响,是中国计算机学会A类推荐会议。
网络空间安全学院
2025年3月24日