博亚(中国)一站式服务官方网站 北京航空航天大学让AI学会"认出"不同曝光下的PET扫描图

这项由北京航空航天大学生物与医学工程学院连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筹商东谈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。感有趣的读者可以通过该编号查阅完整论文。

一、当病院搜检遭逢一个祸患的窘境

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，在代谢隆盛的方位——比如肿瘤——多半网络，然后向外辐射粒子信号，扫描仪捕捉这些信号之后就能拼出一幅东谈主体里面的"行径舆图"。问题在于，放射性剂量越高，拍出来的图像越清亮，但患者承受的辐射风险也越大。于是医师们常常会缩短打针剂量——这便是所谓的"低剂量"扫描。

相关词低剂量扫描的代价是图像质地大幅下跌。信号变得稀疏，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平直褪色在噪声里，让医师看得头疼。为了弥补这一弱势，筹商东谈主员耐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"莳植"成接近泛泛剂量的清亮版块。

比年来这类秩序仍是取得了相配可以的服从，但有一个致命的短板长久困扰着整个东谈主：险些整个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，通俗相识便是原始剂量被打了几折）进行教会。DRF=2意味着剂量减半，DRF=12意味着剂量唯有泛泛的十二分之一。一朝执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精深。不同患者的体重、体型不同，医师会调和打针量；扫描是在打针后若干分钟进行的，也会影响执行"有用剂量"；不同病院的扫描时长不同……千般因素访佛，导致真实寰宇里的DRF险些永辽远于变动之中。教会一个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都单独教会一个模子，则意味着浩大的筹备支出和调度资本，在临床上根底不现实。

北航领衔的这支团队恰是在这个布景下提议了UniPET系统，主张是用一个长入的模子，处理苟且DRF下的低剂量PET图像，同期不点火图像质地。

二、"气派摒除"——一个被耐久冷漠的隐患

在先容UniPET的具体决策之前，有必要先相识团队发现的一个要道阵势。筹商东谈主员发现，不同DRF下的低剂量图像，并不仅仅清亮度不同那么通俗——它们在纹理、细节的漫步和特征上存在系统性相反，就像兼并个场景在不同天气、不同光辉下拍出的相片：布景内容同样，但"气质"完全不同。论文把这种相反叫作念"气派相反"。

当你把不同DRF的图像王人备塞给兼并个神经收罗去学习时，收罗会本能地寻找整个图像的共性，削平相反，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；但对于那些充满微弱纹理和细节的区域——比如小肿瘤、组织界限、素雅无比的空间吸收模式——收罗会把不同DRF气派之间的相反相识为"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。筹商团队把这种阵势定名为"气派摒除问题"。

为了量化这个阵势，团队作念了一组很直不雅的分析：把PET图像分袂为"气派化区域"（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下图像与尺度全剂量图像之间的罪恶。猖狂相配清亮：平坦区域在各个DRF下的罪恶都很小，变化不大；而气派化区域的罪恶跟着DRF升高而急剧增大，况且在不同DRF之间相反权贵。这说明，气派化区域才是简直"难啃的硬骨头"，亦然通用模子最容易出错的方位。

2026世界杯滚球中国官网

三、UniPET的三层架构：一个捕快团队的单干配合

UniPET的全体念念路可以用一个捕快团队办案的譬如来相识。面临一齐复杂案件（低剂量噪声图像），团队分三走路动：第一步，老捕快凭警戒先作念一个初步判断，把案子的简短轮廓勾画出来；第二步，特意讲求"气派武断"的成员介入，识别案发现场的荒谬气派特征，确保细节不被遗漏；第三步，团队在最难破的要道印迹上聚积火力，幸免在仍是明显的通俗情节上花费元气心灵。

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收罗（BDN）。这是整个这个词系统的骨干，一个事先在多种DRF数据上连合教会好的神经收罗。它的任务是收受低剂量图像，估算出需要抵偿的"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，得到初步的还原猖狂。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化挖掘深层特征，临了输出估算的残差图。这个组件偶然提供相配可以的去噪服从，但由于莫得特意处理气派相反，它的输出仍然存在过度平滑的问题，枯竭不同DRF应有的荒谬纹理和细节。

第二个组件叫作念气派对王人收罗（SAN）。这是UniPET最中枢的更动。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气派的印迹；然后用这些印迹动态调和BDN里面的特征气派，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究竟怎么索要"领域常识"？团队比较了三种决策：平直用原始低剂量图像自身、用从图像中手工索要的高频因素（保留纹理信息）、以及用收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居品，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"地反应了领域相关的特征。筹商发现浅层特征是三者中最有用的领域常识示意。

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"气派码"。这四种气派码对应着BDN中四个不同阶段的特征，就像乐团里的交流用不同手势分别交流弦乐、管乐、打击乐和木管乐器，各司其职又和谐长入。每个气派码会被传入BDN对应档次的残差模块，通过一种叫作念"动态卷积"的机制，把气派信息揉入特征处理过程中。

这里的"风俗派制"机制值得细说，因为它是整个这个词SAN的履行中枢。在平庸卷积神经收罗里，卷积核（可以相识为特征索要的"模板"）是固定不变的，岂论输入是DRF=2如故DRF=12的图像，用的是兼并套模板。但UniPET引入了"动态卷积"——卷积核的参数会左证输入图像的气派码及时调和。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派码，然后用这个气派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，面临DRF=12的严重噪声图像，收罗会自动调和处理计谋；面临DRF=2的眇小噪声图像，又会换一套处理面目。

为了确保这种风俗派制确凿在起作用，SAN还引入了一个"气派对王人耗损"。旨趣是这么的：在神经收罗处理图像时，特征图的均值和尺度差（也便是统计特点）被觉得承载了"气派"信息——这是图像气派迁徙领域的练习发现。如若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。于是团队筹算了一个耗损函数，平直度量低剂量图像在BDN各层的特征统计与全剂量图像特征统计之间的差距，教会时捏续最小化这个差距，迫使模子把不同DRF的特征都"对王人"到全剂量的尺度上。

第三个组件叫作念区域感知学习计谋（RALS）。这个组件治理的是另一个维度的问题：就算有了SAN的风俗派制，教会数据中平坦布景区域占绝大多数，气派化区域只占很小一部分，模子在优化时当然会把更多注观念放在"容易的部分"上，对"难的部分"的学习服从打扣头。

RALS的治理决策相配平直：把图像按照纹理丰富进度分袂为"气派化区域"和"平坦区域"，然后只在气派化区域上开展抗击教会（GAN教会），让判别器特意评估这些区域的还原质地，迫使生成器在这些区域上镌脾琢肾。

具体的区域分袂秩序是：对全剂量图像的每个体素，筹备以它为中心的一个小立方体邻域内的像素方差——方差大的方位纹理丰富，方差小的方位则比较均匀。然后设定一个阈值（论文中采纳的是0.001），方差高于阈值的体素归入气派化区域，PG娱乐电子游戏中国APP下载低于阈值的归入平坦区域。教会时，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，只保留气派化区域的内容，再送入判别器作念抗击学习。整个这个词抗击教会领受的是WGAN-GP框架，判别器是PatchGAN结构，这些技能采用都有助于生成更沉稳、更真实的纹理细节。

四、教会历程和实验树立

UniPET的教会领受了分阶段的计谋。第一阶段，屏蔽SAN和RALS，单独预教会BDN，使用通俗的L1重建耗损，让骨干收罗先学会基本的降噪才略，教会200轮。第二阶段，激活SAN，用重建耗损加气派对王人耗损连合优化整个这个词生成器，教会200轮，让风俗派制机制迟缓磨合。第三阶段，引入RALS，运行抗击教会，生成器和判别器轮换教会，捏续100轮，进一步打磨纹理细节的还原服从。这种从粗到细的教会历程，确保了每个组件都能在合适的基础上显露作用。

为了考证模子服从，筹商团队建立了四个数据集。UPID-Base是中枢荒谬数据集，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分拨给教会、考证和测试集，测试聚积有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），特意测试模子对"从未见过的剂量"的泛化才略。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，筹商团队还在公开的Bern数据集上进行了考证，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，是迄今为止最大鸿沟的公开PET降噪数据集之一。

评估维度也相配全面。量化目的方面选用了峰值信噪比（PSNR，掂量全体强度还原精度）和结构相似性（SSIM，掂量结构保真度）。感知质方位面使用了LPIPS（对纹理、结构、模式变化明锐，能有用评估气派还原质地），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、纹理保留和全体质地四个维度打1到5分。临床相关性方面，由资深放射科医师标注了血池、肝脏和病灶三个感有趣区域，用平均彻底罪恶（MAE）量化SUV（尺度吸收值）罪恶；同期由另外三名放射科医师空隙标注可见病灶，用F1分数评估病灶检测性能；此外还教会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维持进度。

超参数的中式也经过了系统性的搜索。筹商团队领受了分组序贯优化计谋，优先调和对全体性能影响最大的数据相关参数（如教会块大小P）和模子相关参数（残差模块数目N、通谈维度C），再调和耗损相关参数（均衡总共β和γ、气派化区域阈值δ）。最终校服的建立为：块大小64，残差模块数8，通谈数64，β=γ=0.001，博亚(中国)一站式服务官方网站δ=0.001。

五、实验猖狂：通用模子能击败专用模子吗？

最令东谈主爱护的问题是：一个为整个DRF奇迹的通用模子，能达到特意针对某个DRF教会的专用模子的水平吗？谜底是校服的，况且UniPET作念到了。

在UPID-Base数据集上，单独针对DRF=2教会的专用模子在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上发扬出色，一朝面临生分DRF就彰着雕残，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目的上发扬彰着偏弱，印证了气派摒除问题的存在。而UniPET的概述PSNR达到48.55，SSIM升迁至0.967，LPIPS仅为0.007，在整个四个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是第一个简直作念到"一模多用不掉链子"的通用PET降噪系统。

与其他五种对比秩序（Unet、DCNN、mDCSRN、3D-cGAN和刻下最优的Spach Transformer）的比较同样令东谈主信服。在UPID-Base数据集上，UniPET在整个DRF和整个目的上均越过了整个对比秩序，尤其是LPIPS的上风最为凸起：最优对比秩序Spach Transformer的平均LPIPS为0.010，而UniPET为0.007，降幅越过30%。在领有六种DRF的Bern数据集上，UniPET同样全面着手，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略。

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，全体质地4.60分，均为最高。非常是纹理保留这一项，其他秩序得分精深在3分摆布，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简直。

在病灶检测这个最靠近临床价值的评估维度上，UniPET同样一骑绝尘。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，升迁幅度在整个秩序中最大；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端正：UniPET的ROC弧线在整个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，相较之下其他秩序最高仅有0.82（DRF=2，Spach Transformer）和0.70（DRF=12）。

在SUV罪恶的临床评估中，血池区域UniPET的MAE为0.098，肝脏为0.099，病灶为0.165，均为最低。参照临床可经受的SUV罪恶尺度（平均罪恶不越过真实值的10%），整个秩序的发扬都达标，但UniPET在病灶区域的罪恶比最优竞争敌手低出约12%，对于需要精准判断病灶吸收量的临床场景有实质性风趣。

六、在生分环境下的发扬：出漫步泛化测试

把一个在协和病院数据上教会的模子，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？这是闇练模子真实泛化才略的终极闇练。

在UPID-OOD-DRF测试集上（DRF为1.5、2.4、4、10，全部不在教会集范围内），UniPET的PSNR为47.93，SSIM为0.967，LPIPS为0.007，越过第二名Spach Transformer的47.49/0.961/0.009。这意味着即使面临从未"见过"的剂量削减比例，UniPET依然能沉稳显露，而不是像专用模子那样遭逢生分DRF就"不禁闭了"。

在UPID-OOD-Center测试集上（不同病院、不同机型），整个秩序都受到了彰着冲击，精深出现性能下滑。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。值得注释的是，Spach Transformer在这一测试中发扬相对较差，LPIPS高达0.050，彰着不如其他秩序，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基于领域泛化筹算的SAN机制提供了更强的抗漂移才略。

七、逐件拆解：每个组件到底孝顺了若干？

筹商团队对UniPET的每个组件都进行了系统的消融实验，说明各自的孝顺。

对于SAN的作用：仅加入SAN（莫得RALS）时，比拟基础BDN，PSNR从48.08升迁至48.98，SSIM从0.962升迁至0.968，LPIPS从0.016降至0.011，病灶MAE从0.189降至0.172。这说明气派对王人机制对全体性能升迁的孝顺是全面的，隐敝了量化、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升迁至0.88，AUC从0.68升迁至0.71。

对于RALS的作用：仅加入RALS（莫得SAN）时，PSNR升迁幅度不如SAN（从48.08到47.85，反而略有下跌），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的主要孝顺是纹理和细节的还原，而不是全体亮度精度。从F1分数看，DRF=12时从0.83升迁至0.85，AUC从0.68升迁至0.72。两者组合使用时服从最好，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里面筹算的消融：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，浅层特征在整个四个目的上均为最优，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，阐述多档次的细粒度风俗派制比单一全局调制更有用。加入气派对王人耗损与去掉它比拟，PSNR升迁0.17 dB，LPIPS缩短0.001，病灶MAE缩短0.003，说彰着式的统计对王人经管如实在匡助模子拘谨到更好的气派空间。

对于RALS中阈值δ的中式：当δ=0时等同于全图抗击教会，LPIPS为0.009；当δ=0.001时即UniPET的采纳值，LPIPS为0.007，是整个候选值中最优的；当δ接续增大至0.01和0.1时，LPIPS分别退化到0.009和0.010；当δ=+∞时完全关闭抗击教会，LPIPS为0.011。这说明适中的气派化区域采用比全图教会更有用：太小的δ会把通俗的平坦区域也纳入抗击教会，稀释对穷苦区域的爱护；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在气派化区域上教会所得到的血池MAE（0.098）、肝脏MAE（0.099）和病灶MAE（0.165）都优于全图抗击教会。为明晰解这与"平直在各临床ROI上教会"的差距，团队还特意用每个临床ROI的标注掩码替换RALS的气派化区域掩码，猖狂血池MAE降至0.092，肝脏降至0.093，病灶降至0.153。这说明RALS的气派化区域计谋在不需要任何临床标注的情况下，仍是相配接近这种"上界"水平。

为了考证SAN和RALS的可迁徙性，筹商团队还把这两个组件嫁接到了三种不同架构的收罗上：ResNet结构的BDN（默许使用的）、DenseNet结构的mDCSRN，以及UNet结构的3D-cGAN。三种收罗在加入SAN和RALS之后，病灶MAE分别缩短了0.024、0.011和0.010，LPIPS也均有彰着改善。这阐述了UniPET的框架筹算具有素雅的通用性，并非特意为某种特定收罗结构"量身成衣"的居品。

八、局限与夙昔标的

憨厚地说，UniPET并非无缺。从可视化猖狂来看，合成图像中的微恙灶与全剂量参考图像比拟仍存在一定差距，部分病灶的时事出现了眇小变形。筹商团队将这归因于微恙灶在整个这个词数据聚积占比极小，使得模子难以从有限的样本中充分学习其精准情势。夙昔可以模仿将下流分割任务算作扶植监督信号的念念路，特意强化微恙灶的还原才略。

跨中心泛化仍然是一个未完全治理的问题。在UPID-OOD-Center数据集上的可视化猖狂剖析，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。团队初步尝试了抗击样本教会（FGSM，快速梯度符号法）来增强鲁棒性：加入FGSM后，模子在UPID-Base上的PSNR小幅下跌（48.55→48.36），但在两个出漫步测试集上分别升迁了0.09和0.22 dB，剖析出改善泛化性的后劲。夙昔更高等的抗击教会秩序有望进一步鼓吹这一标的。

此外，筹商团队也坦承，现在的评估目的——PSNR、SSIM、LPIPS、F1分数、SUV罪恶——都是盘曲的替代目的，而非真实临床责任历程中的平直考证。夙昔需要基于真实临床大鸿沟数据的前瞻性筹商，能力最终说明模子在临床部署中的执行价值。

归根结底，这项筹商的中枢孝顺是：它把PET图像降噪从一个"专用模子问题"改变为了"通用模子问题"，并找到了一条切实可行的治理旅途——通过领域泛化技能消解不同剂量间的气派相反，通过区域感知计谋把有限的学习资源聚积在简直遑急的方位。这不仅仅算法层面的妙技高出，而是对这个问题骨子的一次再行界说。对于临床核医学来说，调度一个能应酬整个剂量情况的单一模子，远比调度一套不同DRF各用一个的模子阵列更经济、更执行，也更合乎真实寰宇的需求。

如若你对技能细节有进一步的有趣，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"气派摒除问题"是什么？

A：气派摒除问题指的是，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相反，产生过于光滑的输出图像，导致微恙灶和素雅无比组织结构丢失，缩短会诊价值。UniPET通过气派对王人收罗特意应酬这一问题。

Q2：UniPET的区域感知学习计谋和平庸GAN教会有什么不同？

A：平庸GAN教会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，唯有少数区域富含会诊相关的纹理细节。UniPET的区域感知学习计谋通过筹备局部方差规定"气派化区域"，只在这些区域开展抗击教会，让模子把有限的学习才略聚积在最难还原、也最遑急的部分，实考阐述服从优于全图教会。

Q3：UniPET在完全生分的病院开发上发扬怎么？

A：在来自北京病院、使用不同PET/CT机型的测试数据上，UniPET的PSNR达到43.61，比第二名高出越过1 dB，LPIPS也优于整个对比秩序。尽管跨中心场景下整个模子都有性能下滑博亚(中国)一站式服务官方网站，UniPET凭借领域泛化筹算的气派对王人机制展现了最强的跨中心鲁棒性。

• amp
• 北京
• quot
• 航空航天