近日，中國科學院深圳先進技術研究院研究員胡戰利團隊在低劑量CT成像領域取得新進展。團隊提出了一種基于注意力機制的解剖先驗信息融合網絡，可以在降低CT輻射劑量的同時較好地保持圖像質量。最新研究成果發表在IEEE Journal of Biomedical and Health Informatics上，并被選為當期的“封面文章”。

　　CT檢查的輻射劑量問題已經引起了人們越來越多的關注。大量的臨床研究表明，超過正常范圍的CT輻射劑量易誘發人體新陳代謝異常乃至癌癥等疾病。然而，減少CT掃描劑量將增加重建圖像的噪聲和偽影，影響臨床醫生對異常組織的確診率。目前，深度學習方法逐步成為低劑量CT成像領域的主流技術。相較于傳統方法需要刻畫噪聲和偽影特征，基于數據驅動的深度學習技術對噪聲場景適普性更強；另外，深度學習模型強大的非線性擬合和特征提取能力能夠高效完成由低劑量CT影像向正常劑量影像的映射。然而，當前深度學習方法在訓練方式上通常采用“端對端”的訓練方式，容易忽略訓練數據的特異性，例如CT影像中不同人體部位的解剖差異。

　　研究團隊針對現有基于深度學習的低劑量CT成像技術在訓練方式的不足，提出了一種基于解剖先驗信息的融合網絡，從訓練數據的DICOM文件中直接讀取其解剖部位標簽，并將其作為網絡的先驗信息進行編碼；再通過通道注意力技術，自適應地獲得不同解剖部位圖像在訓練網絡中的最優權重。另外，考慮到特征提取的多樣性，在網絡模型上采用多個級聯空間注意力模塊。新方法可以有效提高低劑量CT圖像的恢復效果。未來，課題組將探討全身低劑量CT成像技術的高效解剖信息融合機制，為低劑量掃描下的影像篩查提供技術支持。

　　相關工作得到國家自然科學基金優秀青年基金、中科院健康信息學重點實驗室和深圳市杰出青年基金的支持。

　　論文鏈接 

提出方法的成像效果