🔢 mathematics

Design Choices in Splitting-Based Self-Supervised Sparse-View CT Reconstruction

本文引入了一个统一框架来分析基于拆分（splitting-based）的自监督稀疏视图 CT 重建中的设计选择，证明了最优划分策略取决于噪声结构，并且具有互补指标的多划分拆分在模拟和真实世界数据集上均表现出更优越的性能。

原作者： Nadja Gruber, Lukas Neumann, Ander Biguri, Gyeongha Hwang, Markus Haltmeier, Johannes Schwab

发布于 2026-07-14

📖 1 分钟阅读🧠 深度阅读

原作者： Nadja Gruber, Lukas Neumann, Ander Biguri, Gyeongha Hwang, Markus Haltmeier, Johannes Schwab

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下你正在尝试解决一个巨大的 3D 拼图，但有人偷走了其中一半的碎片。在医学 CT 扫描的世界里，这是一个真实存在的问题：医生需要清晰的身体内部图像，但进行过多的 X 射线照射既危险又耗时。因此，他们只拍摄少量的“快照”（测量值），并试图推测出剩余的部分。

通常情况下，计算机需要一张“完美”的照片来学习如何填补空白。但在现实世界中，我们并没有可以用来对比的完美照片。这正是这篇论文通过一种被称为**自监督学习（Self-Supervised Learning）**的巧妙技巧切入的地方。

核心理念：“盲点”游戏

把计算机想象成一个正在努力学习如何画出一幅完美风景画的学生。老师并没有展示完成后的画作，而是遮住了学生画作中的随机部分，并说：“你不能看这些地方，但你必须根据图片的其余部分猜出下面是什么。”

计算机尝试填补空白。然后，它会将自己的工作成果与原图中它在猜测过程中“不被允许看到”的部分进行对比。如果猜对了，它就学会了；如果猜错了，它就会重试。这就是“拆分（splitting）”方法：将数据拆分为“我看到的”和“我猜的”。

情节转折：噪声是一个狡猾的反派

这篇论文的主要发现是：并非所有的噪声都是平等的，你使用的策略完全取决于这种“噪声”（静电或模糊感）是如何表现的。

在一个完美的、模拟的世界里，噪声是完全随机且独立的（就像旧电视上的雪花点，每个像素都在独立闪烁），最好的策略是晶格拆分（Làttice Splitting）。

类比： 想象一个棋盘。你按照严格的网格模式遮住每隔一个方格。计算机通过观察周围的方格来学习填补空隙。在这个“干净”的噪声世界里，这种网格模式效果极佳。

但在现实世界中，噪声通常是“相关的”。这是因为机器中的物理探测器（闪烁体）会产生融合效应，使得相邻的像素像是一个团队而非独立的个体。

类比： 想象噪声不是随机的静电，而是一场横扫整个画面的浓雾。如果你在这里尝试使用严格的棋盘（晶格）策略，雾气会弄乱整个网格，让计算机感到困惑。
解决方案： 在这种“多雾”的现实场景中，论文发现**角度拆分（Angular Splitting）**才是英雄。它不是使用网格，而是隐藏图像的整行（即 X 射线束的整个角度）。因为雾气是横跨探测器移动的，所以隐藏整行可以切断噪声邻居之间的联系，让计算机学得更好。

论文的“不要这样做”清单

作者非常明确地指出在某些情况下哪些做法是无效的：

如果你的数据具有现实世界的相关噪声，不要使用网格（晶阁）策略。 论文表明，在这种条件下，网格法会让图像看起来带有“污染”痕迹。
不要直接把缺失的部分留作黑洞（零填充/Zero-filling）。 当计算机看到缺失的部分时，它不应该简单地假设那里是空的。论文建议**线性插值（Linear Interpolation）**更好。
- 类比： 如果你丢失了拼图的一块，不要留下一个黑洞。观察它旁边的碎片，猜出能填补其中的颜色。论文发现，在计算机开始工作之前先“猜出”缺失的值，会让最终的图像更加清晰。

“超级团队”策略

论文还介绍了一种新的、高级的招式，叫做多分区拆分（Multi-Partition Splitting）。

类比： 想象你在玩这个猜谜游戏，但你不仅隐藏了网格，或者不仅隐藏了行，而是同时隐藏了两者。你创建了一个“超级掩码”，迫使计算机同时从多个不同的角度进行学习。
结果： 论文指出，这种“超级团队”方法能持续提升结果，它像是一个强大的安全网，帮助计算机比仅使用单一策略更好地处理随机噪声和雾状噪声。

他们有多确定？

作者的表述非常谨慎。他们不仅仅是在猜测；他们使用名为 LoDoPaB-CT 的数据集进行了数千次计算机模拟，并在一个名为 2DeteCT 的真实世界数据集上测试了他们的想法。

他们证明了什么： 他们证明了“最佳”策略会随着噪声类型的不同而改变。他们证明了对于真实的、有噪声的数据，角度拆分更具鲁棒性；而对于干净的、模拟的数据，晶格拆分效果更好。
他们衡量了什么： 他们不仅观察图像，还使用了特殊的数学工具（如 PSNR、SSIM、LPIPS 和 HaarPSI）来衡量计算机的猜测与真相之间的接近程度。他们发现，有些策略在简单的数学得分上表现良好，但在捕捉图像的“感觉”方面却很失败，因此他们使用了这些额外的感知工具。

给好奇青少年的启示

如果你正在制造一个修复损坏 CT 扫描的机器人，不要只选择一种“魔法”技巧。

如果你的机器人在一个完美、干净的实验室里工作，请使用**网格（晶格）**策略。
如果你的机器人在一个真实的、混乱的医院里工作，面对模糊的探测器，请切换到**行（角度）**策略。
如果你想格外保险，请使用**超级团队（多分区）**策略来保底。

论文的结论是：不存在一种单一的“最佳”方法，秘诀在于将你的策略与机器所面临的具体噪声类型相匹配。

技术摘要：基于分割的自监督稀疏视图 CT 重建中的设计选择

问题陈述
在 X 射线计算机断层扫描（CT）中，从稀疏视图测量值进行重建是一个病态反问题，由于辐射剂量或时间限制导致的噪声和数据受限，该问题往往更加严重。虽然深度学习已取得了最先进的结果，但大多数方法依赖于具有配对真值图像的有监督训练，而这些真值在临床或工业设置中通常是难以获取的。自监督学习，特别是测量分割（例如 Noise2Self 的变体），提供了一种解决方案，即在没有真值的情况下利用不完整的测量数据进行训练。然而，关键设计选择——具体包括数据划分策略、掩码测量的预处理以及推理机制——对结果的影响仍不明确。此外，许多分割方法假设测量值是相互独立的，但这一假设在真实的 CT 系统中经常被违反，因为闪烁体模糊会在探测器元件之间诱导空间相关的噪声。本文研究了这些设计选择如何与不同的噪声结构（独立噪声与相关噪声）相互作用，以确定最优的重建策略。

方法论
作者提出了一个统一框架，将基于分割的自监督重建分解为三个核心组件：划分（partitioning）、预处理（preprocessing）和推理（inference）。

划分策略： 研究评估了应用于正弦图（投影数据）的各种几何分割策略：
- 晶格分割 ( $P_{lat}$ )： 将正弦图划分为 $d \times d$ 补丁的正规或非正规网格，并根据像素在补丁内的相对位置进行掩码处理。
- 角度分割 ( $P_{ang}$ )： 以块的形式掩盖整个投影角度（正弦图中的行）。
- 多重划分分割 ( $P_{mult}$ )： 一种新的扩展方法，同时在角度维度和探测器维度上强制执行不变性，通过聚合来自两个独立划分系统的损失来进行计算。
预处理： 作者比较了在通过滤波反投影（FBP）进行重建之前处理掩码条目的两种方法：
- 零填充（Zero-filling）： 将掩码条目保留为零。
- 线性插值（Linear Interpolation）： 利用可用的相邻值估计掩码条目。
推理策略： 评估了三种用于生成最终图像 $\hat{x}$ $\overset{x}{^}$ 的策略：
- 直接推理 (D-inf)： 将训练好的网络直接应用于完整数据。
- 平均推理 (A-inf)： 对来自互补数据分割的重建结果进行平均。
- P-不变推理 (P-inf)： 一种新的策略，通过在正弦图空间内聚合子重建（使用精细化的角度采样）来确保输出对于特定的掩码划分具有不变性，从而减少零空间歧义。

该框架在 LoDoPaB-CT 数据集（模拟数据）上进行评估，涵盖了无相关泊松噪声和相关噪声（通过高斯噪声及卷积模拟闪烁体模糊）两种情况。同时也在真实世界的 2DeteCT 数据集上进行了验证。评估指标包括标准的基于误差的度量（PSੇ, SSIM）以及感知/结构化度量（LPIPS, HaarPSI）。

核心贡献

统一框架： 本工作引入了一个模块化框架，隔离了划分、预处理和推理，从而实现了对现有方法及新扩展方法的受控比较。
系统基准测试： 在独立噪声和相关噪声机制下的全面评估表明，最优策略高度依赖于噪声结构。
新颖扩展： 引入了多重划分分割和 P-不变推理，为利用互补测量划分和在推理过程中强制执行不变性提供了新工具。
噪声依赖型指南： 研究表明，在独立噪声下，基于晶格的分割优于角度分割。而在相关噪声和真实世界数据下，角度掩码更具鲁棒性。多重划分分割在多种设置下始终优于纯投影维度的分割。
度量分析： 感知度量（LPIPS, HaarPSI）的引入揭示了掩码策略之间由 PSNR 或 SSIM 无法捕捉到的结构差异。

结果

预处理： 在 FBP 之前对掩码测量值进行线性插值，相较于零填充，能持续提高重建质量（SSIM 和 HaarPSI），尤其是在直接推理的情况下。
噪声机制：
- 无相关噪声： 晶格分割优于角度分割。多重划分分割显示出相对于纯角度掩码的系统性改进。
- 相关噪声： 角度分割显著优于晶格分割，因为它避免了由闪烁体模糊引起的水平相关性。多重划分分割进一步增强了性能，在某些情况下通过不变推理超过了单纯的角度分割。
推理： 平均推理和 P-不变推理策略一致优于直接推理。这种改进在相关噪声机制中更为显著，其中 P-不变推理通过有效聚合信息并尊重掩码结构，取得了最佳结果。
分割密度： 分割数量 ( $s \in \{4, 9, 16\}$ ) 对无相关噪声下的性能影响较小，但在相关噪声中表现出明显的趋势：较少的分割（较粗的掩码）可以略微提升晶格和多重划分策略的性能，而角度分割对参数变化保持稳健。

意义
本文为开发自监督稀疏视图 CT 重建方法提供了实用的设计指南。研究强调，在现实成像环境中，由于探测器物理特性引入了结构化噪声，许多基于分割的方法中通用的“测量独立性”假设是一个关键局限。通过证明角度掩码对相关噪声更具鲁棒性，以及多重划分策略可以利用额外的冗余性，本研究为在缺乏真值且噪声结构复杂的临床和工业设置中实现更可靠的自监督重建提供了路径。研究结果强调，必须选择与成像系统特定噪声特征相匹配的划分和推理策略。