这项由北京航空航天大学生物与医学工程学院纠合清华大学生物医学工程系、中国医学科学院肿瘤病院及小米公司的参谋东说念主员共同完成的责任，发表于2026年的《医学图像分析》（Medical Image Analysis）期刊，预印本编号为arXiv:2606.11131。感兴味的读者可以通过该编号查阅完整论文。
一、当病院查验碰到一个莫名的逆境
每次作念PET扫描，病院都需要往患者体内打针一种带有放射性的示踪剂。这种示踪剂会跟着血流游走，在代谢鼎沸的处所——比如肿瘤——巨额蚁集，然后向外辐照粒子信号，扫描仪捕捉这些信号之后就能拼出一幅东说念主体里面的"步履舆图"。问题在于，放射性剂量越高，拍出来的图像越通晓，但患者承受的辐射风险也越大。于是医师们时常会镌汰打针剂量——这便是所谓的"低剂量"扫描。
然则低剂量扫描的代价是图像质地大幅下落。信号变得寥落，图像看上去就像一张过度曝光又充满噪点的老相片，小小的肿瘤结节可能胜利隐没在噪声里，让医师看得头疼。为了弥补这一纰谬，参谋东说念主员经久以来都在开发多样深度学习算法，试图把嘈杂的低剂量图像"建造"成接近平素剂量的通晓版块。
连年来这类要津照旧取得了相配可以的成果，但有一个致命的短板永久困扰着通盘东说念主：简直通盘现存的算法都只针对某一个固定的"剂量削减比例"（论文中称之为DRF，简短相识便是原始剂量被打了几折）进行西宾。DRF=2意味着剂量减半，DRF=12意味着剂量惟有平素的十二分之一。一朝履行扫描中使用的比例和算法预设的不同，性能就会急剧下滑。
这个问题在现实中其实相配宽阔。不同患者的体重、体型不同，医师会调养打针量；扫描是在打针后几许分钟进行的，也会影响履行"灵验剂量"；不同病院的扫描时长不同……各种因素类似，导致真实宇宙里的DRF简直永辽远于变动之中。西宾一个DRF专用模子，等于买了一把只可开某一把锁的钥匙。而为每一种可能的DRF都单独西宾一个模子，则意味着宏大的预计支拨和调节老本，在临床上根柢不现实。
北航领衔的这支团队恰是在这个布景下建议了UniPET系统，看法是用一个长入的模子，处理大肆DRF下的低剂量PET图像，同期不阵一火图像质地。
二、"气魄摒除"——一个被经久冷漠的隐患
在先容UniPET的具体有盘算之前，有必要先相识团队发现的一个重要气候。参谋东说念主员发现，不同DRF下的低剂量图像，并不仅仅通晓度不同那么简短——它们在纹理、细节的漫步和特征上存在系统性互异，就像兼并个场景在不同天气、不同光泽下拍出的相片：布景内容交流，但"气质"完全不同。论文把这种互异叫作念"气魄互异"。
当你把不同DRF的图像十足塞给兼并个神经网罗去学习时，网罗会本能地寻找通盘图像的共性，削平互异，产生一个平均化的输出。对于平坦均匀的布景区域，这没什么问题；但对于那些充满轻细纹理和细节的区域——比如小肿瘤、组织畛域、邃密的空间接收模式——网罗会把不同DRF气魄之间的互异相识为"噪声"，然后把它们一并抹平。最终输出的图像变得过于光滑，像是被磨皮过度的相片，细节丢失，会诊价值大打扣头。参谋团队把这种气候定名为"气魄摒除问题"。
为了量化这个气候，团队作念了一组很直不雅的分析：把PET图像分辩为"气魄化区域"（富含纹理的活跃区域）和"平坦区域"（均匀、变化少的布景），然后分别测量不同DRF下图像与设施全剂量图像之间的差错。汗漫相配通晓：平坦区域在各个DRF下的差错都很小，变化不大；而气魄化区域的差错跟着DRF升高而急剧增大，而况在不同DRF之间互异权臣。这说明，气魄化区域才是着实"难啃的硬骨头"，亦然通用模子最容易出错的处所。
三、UniPET的三层架构：一个考查团队的单干互助
UniPET的举座想路可以用一个考查团队办案的比方来相识。靠近全部复杂案件（低剂量噪声图像），团队分三步步履：第一步，老考查凭教化先作念一个初步判断，把案子的大要轮廓勾画出来；第二步，特地厚爱"气魄顺心"的成员介入，识别案发现场的特地气魄特征，确保细节不被遗漏；第三步，团队在最难破的重要陈迹上辘集火力，幸免在照旧显豁的简短情节上浪掷元气心灵。
具体来说，UniPET由三个中枢组件组成。
第一个组件叫作念基础降噪网罗（BDN）。这是通盘系统的骨干，一个事先在多种DRF数据上纠合西宾好的神经网罗。它的任务是接收低剂量图像，估算出需要赔偿的"残差"（即图像与全剂量图像之间的差距），然后把这个残差加回原图，得到初步的还原汗漫。BDN的结构领受了经典的残差学习框架：先用一层卷积索要浅层特征，再通过若干个残差模块深远挖掘深层特征，临了输出估算的残差图。这个组件卤莽提供相配可以的去噪成果，但由于莫得特地处理气魄互异，它的输出仍然存在过度平滑的问题，缺少不同DRF应有的特地纹理和细节。
第二个组件叫作念气魄对皆网罗（SAN）。这是UniPET最中枢的翻新。SAN的责任旨趣是：先从输入的低剂量图像中索要"领域常识"，也便是对于刻下图像属于哪种DRF气魄的陈迹；然后用这些陈迹动态调养BDN里面的特征气魄，让BDN的每一层处理都能"感知"到刻下处理的是哪种剂量下的图像，从而有针对性地还原该剂量应有的纹理和细节。
SAN究竟何如索要"领域常识"？团队比较了三种有盘算：胜利用原始低剂量图像自己、用从图像中手工索要的高频因素（保留纹理信息）、以及用网罗自动学习得到的浅层特征。浅层特征指的是BDN第一层卷积处理后的中间家具，它既保留了图像的初级纹理和细节信息，又经过了可学习的变换，比原始图像更"纯正"地反应了领域关系的特征。参谋发现浅层特征是三者中最灵验的领域常识示意。
有了领域常识之后，SAN通过四个编码模块将其压缩成四种不同档次的"气魄码"。这四种气魄码对应着BDN中四个不同阶段的特征，就像乐团里的指挥用不同手势分别指挥弦乐、管乐、打击乐和木管乐器，各司其职又调解长入。每个气魄码会被传入BDN对应档次的残差模块，通过一种叫作念"动态卷积"的机制，把气魄信息揉入特征处理过程中。
这里的"风作风制"机制值得细说，因为它是通盘SAN的践诺中枢。在庸碌卷积神经网罗里，卷积核（可以相识为特征索要的"模板"）是固定不变的，非论输入是DRF=2照旧DRF=12的图像，用的是兼并套模板。但UniPET引入了"动态卷积"——卷积核的参数会把柄输入图像的气魄码及时调养。具体操作是：先对领域常识作念全局平均池化（把空间信息压缩成一个紧凑的向量），再经过一个仿射变换层得到气魄码，然后用这个气魄码对卷积核的权重作念逐元素缩放，并归一化处理，最终得到针对刻下DRF"量身定制"的动态卷积核。这么一来，靠近DRF=12的严重噪声图像，网罗会自动调养处理政策；靠近DRF=2的轻细噪声图像，又会换一套处理神色。
为了确保这种风作风制确切在起作用，SAN还引入了一个"气魄对皆赔本"。旨趣是这么的：在神经网罗处理图像时，特征图的均值和设施差（也便是统计特质）被觉得承载了"气魄"信息——这是图像气魄迁徙领域的熟识发现。要是一个低剂量图像被正确还原了，那么它在BDN里面的特征统计就应该和全剂量图像的特征统计趋于一致。于是团队联想了一个赔本函数，胜利度量低剂量图像在BDN各层的特征统计与全剂量图像特征统计之间的差距，西宾时捏续最小化这个差距，迫使模子把不同DRF的特征都"对皆"到全剂量的设施上。
第三个组件叫作念区域感知学习政策（RALS）。这个组件处置的是另一个维度的问题：就算有了SAN的风作风制，西宾数据中平坦布景区域占绝大多数，气魄化区域只占很小一部分，模子在优化时当然会把更多珍重力放在"容易的部分"上，对"难的部分"的学习成果打扣头。
RALS的处置有盘算相配胜利：把图像按照纹理丰富进程分辩为"气魄化区域"和"平坦区域"，然后只在气魄化区域上开展招架西宾（GAN西宾），让判别器特地评估这些区域的还原质地，迫使生成器在这些区域上锦上添花。
具体的区域分辩要津是：对全剂量图像的每个体素，预计以它为中心的一个小立方体邻域内的像素方差——方差大的处所纹理丰富，方差小的处所则比较均匀。然后设定一个阈值（论文中选用的是0.001），方差高于阈值的体素归入气魄化区域，2026美加墨世界杯中国认证平台低于阈值的归入平坦区域。西宾时，模子生成的还原图像和真实全剂量图像分别乘以这个区域掩码，只保留气魄化区域的内容，再送入判别器作念招架学习。通盘招架西宾领受的是WGAN-GP框架，判别器是PatchGAN结构，这些时候选拔都有助于生成更褂讪、更真实的纹理细节。
四、西宾过程和实验树立
UniPET的西宾领受了分阶段的政策。第一阶段，屏蔽SAN和RALS，单独预西宾BDN，使用简短的L1重建赔本，让骨干网罗先学会基本的降噪才能，西宾200轮。第二阶段，激活SAN，用重建赔本加气魄对皆赔本纠合优化通盘生成器，西宾200轮，让风作风制机制徐徐磨合。第三阶段，引入RALS，驱动招架西宾，生成器和判别器轮换西宾，捏续100轮，进一步打磨纹理细节的还原成果。这种从粗到细的西宾过程，确保了每个组件都能在合适的基础上判辨作用。
为了考据模子成果，参谋团队建立了四个数据集。UPID-Base是中枢独稀有据集，来自北京协和病院，包含115名受试者，全剂量加上DRF为2、3、6、12四种低剂量的PET图像，按90/10/15分拨给西宾、考据和测试集，测试辘集有10名癌症患者共36个病灶。UPID-OOD-DRF是出漫步测试集，来自兼并家病院但使用了不同的DRF（1.5、2.4、4、10），特地测试模子对"从未见过的剂量"的泛化才能。UPID-OOD-Center则来自北京病院的另一台PET/CT系统，既是不同病院，亦然不同机器，用于测试跨中心泛化性。此外，参谋团队还在公开的Bern数据集上进行了考据，该数据集来自伯尔尼大学病院，包含377名受试者，涵盖DRF=2、4、10、20、50、100六个级别，是迄今为止最大限制的公开PET降噪数据集之一。
评估维度也相配全面。量化盘算方面选用了峰值信噪比（PSNR，估量举座强度还原精度）和结构相似性（SSIM，估量结构保真度）。感知质处所面使用了LPIPS（对纹理、结构、模式变化敏锐，能灵验评估气魄还原质地），并邀请四名放射科医师对图像进行盲评打分，分别针对噪声摒除、结构保留、纹理保留和举座质地四个维度打1到5分。临床关系性方面，由资深放射科医师标注了血池、肝脏和病灶三个感兴味区域，用平均澈底差错（MAE）量化SUV（设施接收值）差错；同期由另外三名放射科医师寂寥标注可见病灶，用F1分数评估病灶检测性能；此外还西宾了一个病灶分类模子，通过ROC弧线底下积（AUC）量化图像对自动病灶检测的撑捏进程。
超参数的中式也经过了系统性的搜索。参谋团队领受了分组序贯优化政策，优先调养对举座性能影响最大的数据关系参数（如西宾块大小P）和模子关系参数（残差模块数目N、通说念维度C），再调养赔本关系参数（均衡悉数β和γ、气魄化区域阈值δ）。最终细则的树立为：块大小64，残差模块数8，通说念数64，β=γ=0.001，2026世界杯在线买输赢平台δ=0.001。
五、实验汗漫：通用模子能击败专用模子吗？
最令东说念主心理的问题是：一个为通盘DRF行状的通用模子，能达到特地针对某个DRF西宾的专用模子的水平吗？谜底是信服的，而况UniPET作念到了。
在UPID-Base数据集上，单独针对DRF=2西宾的专用模子在DRF=2上PSNR为50.54，但一朝切换到DRF=12，性能就跌至42.19。其他专用模子也有类似问题，在我方擅长的DRF上阐扬出色，一朝靠近目生DRF就彰着调谢，概述平均性能反而不高。莫得SAN和RALS加捏的基础通用模子BDN概述PSNR达到48.08，但在LPIPS这个反应纹理细节的盘算上阐扬彰着偏弱，印证了气魄摒除问题的存在。而UniPET的概述PSNR达到48.55，SSIM擢升至0.967，LPIPS仅为0.007，在通盘四个DRF上都取得了与对应专用模子相配或更好的收货。换句话说，UniPET是第一个着实作念到"一模多用不掉链子"的通用PET降噪系统。
与其他五种对比要津（Unet、DCNN、mDCSRN、3D-cGAN和刻下最优的Spach Transformer）的比较雷同令东说念主信服。在UPID-Base数据集上，UniPET在通盘DRF和所经营上均卓绝了通盘对比要津，尤其是LPIPS的上风最为凸起：最优对比要津Spach Transformer的平均LPIPS为0.010，而UniPET为0.007，降幅卓绝30%。在领有六种DRF的Bern数据集上，UniPET雷同全面最初，在极高DRF（100倍剂量削减）下仍能保捏最好性能，展现了处理顶点低剂量场景的才能。
放射科医师的主不雅打分更是直不雅反应了UniPET的上风。噪声摒除方面，UniPET平均得分4.60，远高于第二名Spach Transformer的4.20；结构保留4.40分，纹理保留4.35分，举座质地4.60分，均为最高。格外是纹理保留这一项，其他要津得分宽阔在3分傍边，UniPET高出近1.5分，说明其生成的图像在视觉上对临床医师来说愈加真实着实。
在病灶检测这个最靠拢临床价值的评估维度上，UniPET雷同一骑绝尘。低剂量原图在DRF=12时病灶检测F1分数仅有0.58，经过UniPET处理后达到0.93，擢升幅度在通盘要津中最大；而Spach Transformer在DRF=12时的F1分数为0.84，DCNN为0.81。ROC弧线分析也呈现了一致的规章：UniPET的ROC弧线在通盘DRF下都最接近全剂量数据的弧线，DRF=2时AUC达到0.86，DRF=12时也有0.75，相较之下其他要津最高仅有0.82（DRF=2，Spach Transformer）和0.70（DRF=12）。
在SUV差错的临床评估中，血池区域UniPET的MAE为0.098，肝脏为0.099，病灶为0.165，均为最低。参照临床可接收的SUV差错设施（平均差错不卓绝真实值的10%），通盘要津的阐扬都达标，但UniPET在病灶区域的差错比最优竞争敌手低出约12%，对于需要精准判断病灶接收量的临床场景有实质性真谛真谛。
六、在目生环境下的阐扬：出漫步泛化测试
把一个在协和病院数据上西宾的模子，拿行止理从未见过的DRF数据，或者完全不同病院、不同机器扫出来的图像，会发生什么？这是熟识模子真实泛化才能的终极熟识。
在UPID-OOD-DRF测试集上（DRF为1.5、2.4、4、10，全部不在西宾集范围内），UniPET的PSNR为47.93，SSIM为0.967，LPIPS为0.007，卓绝第二名Spach Transformer的47.49/0.961/0.009。这意味着即使靠近从未"见过"的剂量削减比例，UniPET依然能褂讪判辨，而不是像专用模子那样碰到目生DRF就"不坚毅了"。
在UPID-OOD-Center测试集上（不同病院、不同机型），通盘要津都受到了彰着冲击，宽阔出现性能下滑。但UniPET的跌幅最小，PSNR达到43.61，比第二名mDCSRN高出1.10 dB，SSIM高出0.007，LPIPS低出0.011。值得珍重的是，Spach Transformer在这一测试中阐扬相对较差，LPIPS高达0.050，彰着不如其他要津，这说明Transformer架构在跨中心场景下可能存在更强的领域依赖性，而UniPET基于领域泛化联想的SAN机制提供了更强的抗漂移才能。
七、逐件拆解：每个组件到底孝敬了几许？
参谋团队对UniPET的每个组件都进行了系统的消融实验，证实各自的孝敬。
对于SAN的作用：仅加入SAN（莫得RALS）时，比较基础BDN，PSNR从48.08擢升至48.98，SSIM从0.962擢升至0.968，LPIPS从0.016降至0.011，病灶MAE从0.189降至0.172。这说明气魄对皆机制对举座性能擢升的孝敬是全面的，粉饰了量化、感知和临床三个维度。在病灶检测方面，DRF=12时F1分数从0.83擢升至0.88，AUC从0.68擢升至0.71。
对于RALS的作用：仅加入RALS（莫得SAN）时，PSNR擢升幅度不如SAN（从48.08到47.85，反而略有下落），但LPIPS从0.016大幅降至0.009，病灶MAE从0.189降至0.173。这个模式说明RALS的主要孝敬是纹理和细节的还原，而不是举座亮度精度。从F1分数看，DRF=12时从0.83擢升至0.85，AUC从0.68擢升至0.72。两者组合使用时成果最好，PSNR为48.55，LPIPS为0.007，病灶MAE为0.165，DRF=12的F1分数为0.93，AUC为0.75。
对于SAN里面联想的消融：三种领域常识示意的比较（原始低剂量图像、手工高频因素、浅层特征）中，浅层特征在通盘四个盘算上均为最优，病灶MAE比原始图像低0.004，比高频因素低0.003。分层镶嵌与单一镶嵌（只用临了一层的输出）的比较中，分层镶嵌的病灶MAE为0.165，低于单一镶嵌的0.170，PSNR高出0.33 dB，证明多档次的细粒度风作风制比单一全局调制更灵验。加入气魄对皆赔本与去掉它比较，PSNR擢升0.17 dB，LPIPS镌汰0.001，病灶MAE镌汰0.003，说彰着式的统计对皆治理如实在匡助模子拘谨到更好的气魄空间。
对于RALS中阈值δ的中式：当δ=0时等同于全图招架西宾，LPIPS为0.009；当δ=0.001时即UniPET的选用值，LPIPS为0.007，是通盘候选值中最优的；当δ连接增大至0.01和0.1时，LPIPS分别退化到0.009和0.010；当δ=+∞时完全关闭招架西宾，LPIPS为0.011。这说明适中的气魄化区域选拔比全图西宾更灵验：太小的δ会把简短的平坦区域也纳入招架西宾，稀释对难过区域的心理；太大的δ则会遗漏部分有价值的纹理区域。
从临床ROI的角度来看，RALS在气魄化区域上西宾所取得的血池MAE（0.098）、肝脏MAE（0.099）和病灶MAE（0.165）都优于全图招架西宾。为显豁解这与"胜利在各临床ROI上西宾"的差距，团队还特地用每个临床ROI的标注掩码替换RALS的气魄化区域掩码，汗漫血池MAE降至0.092，肝脏降至0.093，病灶降至0.153。这说明RALS的气魄化区域政策在不需要任何临床标注的情况下，照旧相配接近这种"上界"水平。
为了考据SAN和RALS的可迁徙性，参谋团队还把这两个组件嫁接到了三种不同架构的网罗上：ResNet结构的BDN（默许使用的）、DenseNet结构的mDCSRN，以及UNet结构的3D-cGAN。三种网罗在加入SAN和RALS之后，病灶MAE分别镌汰了0.024、0.011和0.010，LPIPS也均有彰着改善。这证明了UniPET的框架联想具有精良的通用性，并非特地为某种特定网罗结构"量身成衣"的家具。
八、局限与将来标的
评释地说，UniPET并非完好。从可视化汗漫来看，合成图像中的微恙灶与全剂量参考图像比较仍存在一定差距，部分病灶的体式出现了轻细变形。参谋团队将这归因于微恙灶在通盘数据辘集占比极小，使得模子难以从有限的样本中充分学习其精准情势。将来可以鉴戒将下贱分割任务看成赞助监督信号的想路，特地强化微恙灶的还原才能。
跨中心泛化仍然是一个未完全处置的问题。在UPID-OOD-Center数据集上的可视化汗漫流露，UniPET的输出在某个病灶上出现了对比度还原不及的情况，说明模子对顶点领域偏移依然有盲区。团队初步尝试了招架样本西宾（FGSM，快速梯度象征法）来增强鲁棒性：加入FGSM后，模子在UPID-Base上的PSNR小幅下落（48.55→48.36），但在两个出漫步测试集上分别擢升了0.09和0.22 dB，流知道改善泛化性的后劲。将来更高档的招架西宾要津有望进一步鼓舞这一标的。
此外，参谋团队也坦承，当今的评估盘算——PSNR、SSIM、LPIPS、F1分数、SUV差错——都是曲折的替代盘算，而非真实临床责任过程中的胜利考据。将来需要基于真实临床大限制数据的前瞻性参谋，才能最终证实模子在临床部署中的履行价值。
归根结底，这项参谋的中枢孝敬是：它把PET图像降噪从一个"专用模子问题"滚动为了"通用模子问题"，并找到了一条切实可行的处置旅途——通过领域泛化时候消解不同剂量间的气魄互异，通过区域感知政策把有限的学习资源辘集在着实热切的处所。这不仅仅算法层面的手段卓绝，而是对这个问题实质的一次从头界说。对于临床核医学来说，调节一个能布置通盘剂量情况的单一模子，远比调节一套不同DRF各用一个的模子阵列更经济、更履行，也更稳健真实宇宙的需求。
PG娱乐电子游戏中国APP下载要是你对时候细节有进一步的兴味，原论文已在arXiv上公开，编号为arXiv:2606.11131，代码也已开源于GitHub（搜索"Yaziwel/UniPET"即可找到）。
Q&A
Q1：PET图像的"气魄摒除问题"是什么？
A：气魄摒除问题指的是，当一个通用降噪模子同期处理不同剂量削减比例的PET图像时，会本能地抹平各剂量之间的纹理和细节互异，产生过于光滑的输出图像，导致微恙灶和邃密组织结构丢失，镌汰会诊价值。UniPET通过气魄对皆网罗特地布置这一问题。
Q2：UniPET的区域感知学习政策和庸碌GAN西宾有什么不同？
A：庸碌GAN西宾对整张图像一视同仁，但PET图像中大部分是变化不大的布景区域，惟有少数区域富含会诊关系的纹理细节。UniPET的区域感知学习政策通过预计局部方差规定"气魄化区域"，只在这些区域开展招架西宾，让模子把有限的学习才能辘集在最难还原、也最热切的部分，实考据明成果优于全图西宾。
Q3：UniPET在完全目生的病院开发上阐扬何如？
A：在来自北京病院、使用不同PET/CT机型的测试数据上世界杯(中国)，UniPET的PSNR达到43.61，比第二名高出卓绝1 dB，LPIPS也优于通盘对比要津。尽管跨中心场景下通盘模子都有性能下滑，UniPET凭借领域泛化联想的气魄对皆机制展现了最强的跨中心鲁棒性。
下一篇：没有了
备案号: