SUTransNet金属伪影减少网络

自监督泛化强

利用自监督掩膜重建预训练结合Transformer架构，在无配对真实数据情况下显著提升金属伪影消除的泛化能力与组织细节保留。

Kong, Fanning · 史再峰 · Cao, Huaisheng · Hao, Yudong · 曹清洁

Physics in Medicine and Biology 2025

参数信息

峰值信噪比

43.86 dB

结构相似性指数

0.9863

Dice 系数提升

11.70 %

平均交并比提升

9.51 %

技术优势

无需配对数据

通过自监督掩膜重建预训练任务，利用无标签真实伪影 CT 图像学习伪影与组织结构，摆脱对成对训练数据的依赖。

泛化能力更强

结合无标签真实伪影 CT 图像与有标签合成伪影 CT 图像进行自监督学习，显著提升模型在真实金属伪影数据上的泛化能力。

组织细节保留

在抑制金属伪影的同时有效保留组织细节，使得后续分割任务的 Dice 系数和 MIoU 分别提升 11.70% 和 9.51%。

应用场景

• CT图像重建：去除金属植入物造成的图像伪影，恢复被遮挡的组织结构，重建高质量 CT 图像。
• 医学影像诊断：消除干扰诊断的伪影，让医生看到真实组织细节，提高病变检测的准确性。
• 低剂量CT：在低剂量扫描条件下进一步抑制金属伪影，提升低剂量 CT 图像质量。
• 医学图像分割：作为预处理步骤提升分割精度，使后续分割模型的 Dice 和 MIoU 显著提高。