2026.3.26FADFNet提出了一种可微调自适应分解-融合网络通过频率感知分解和双分支专家结合上下文感知调制与参数高效微调策略有效解决低剂量CT和PET图像重建中的噪声和跨域适应性问题实现了卓越的图像质量和广泛的临床应用潜力。Title题目01FADFNet: A fine-tunable and adaptive decomposition-fusion network for cross-dataset low-dose CT and low-dose PET image reconstructionFADFNet一种用于跨数据集低剂量CT和低剂量PET图像重建的可微调自适应分解-融合网络文献速递介绍02X射线计算机断层扫描CT和正电子发射断层扫描PET是临床非侵入性成像的基础。标准剂量CTNDCT和PETNDPET成像虽然提供了高质量的图像但会使患者承受较高的电离辐射和放射性示踪剂暴露风险增加辐射诱发恶性肿瘤的长期风险。为了降低患者风险和医疗成本低剂量CTLDCT和低剂量PETLDPET成像技术被广泛采用。然而剂量减少导致图像噪声增加、对比度降低和伪影出现严重损害诊断可靠性。现有的LDCT和LDPET重建方法无论是传统的模型驱动方法如迭代重建还是基于深度学习的方法如CNN、GAN、Transformer、DPM都存在局限性。这些局限包括对单一模态或特定剂量水平的过度关注、计算复杂度高、未能充分利用固有谱先验信息以及部署流程僵化导致跨域性能下降。为了解决这些挑战本研究提出FADFNet一个可微调自适应分解-融合网络旨在实现高品质的LDCT和LDPET图像重建并促进在不同数据集和扫描仪之间的无缝、最小化微调的通用部署。本工作的主要贡献包括提出了一个统一的跨域重建和微调框架涵盖多种低剂量成像模态引入了一个新颖的“分解-融合”管道包括基于小波变换的分解模块、双频域专家分支架构、上下文感知调制和基于频域的特征金字塔融合模块以及提出了一种参数高效的微调策略以实现快速的跨域适应。Aastract摘要03低剂量计算机断层扫描LDCT和低剂量正电子发射断层扫描LDPET在临床实践中对于最小化辐射风险至关重要但它们固有地存在噪声引起的图像质量下降问题。尽管深度学习在低剂量重建方面取得了进展但现有方法由于严重的域偏移和固定的模型架构往往缺乏跨异构数据集和模态的适应性。为解决这些挑战我们提出FADFNet一个可微调自适应分解-融合网络旨在实现鲁棒的跨域重建。该框架基于频率感知范式包含一个基于小波变换的分解模块将输入显式分解为低频结构分量和高频纹理细节。这些分量由配备上下文感知空间-通道调制机制的双分支专家处理该机制利用结构先验来指导精确的纹理恢复。随后一个基于频域的特征金字塔融合模块通过全局频谱注意力逐步整合多尺度特征以确保全面的信息合成。此外我们引入了一种参数高效的微调策略通过仅更新调制和融合模块并冻结预训练的骨干网络实现对未知扫描仪域的轻量级适应。在四个LDCT数据集和四个LDPET场景上进行的广泛实验表明FADFNet优于最先进的方法。定量结果显示与生成式方法相比FADFNet在显著降低计算开销的同时实现了最佳的信号保真度和感知质量。盲法临床评估进一步证实我们的方法产生的重建质量可与全剂量参考图像媲美证实了其在多样临床环境中可靠部署的潜力。源代码可在FADFNet获取。Method方法04FADFNet是一个基于“分解与融合”范式的频率感知去噪框架。整体架构包括三个阶段首先基于小波变换的分解模块WTDM将噪声输入分解为低频结构分量和高频纹理分量。其次这些分解后的分量由两个并行的专家分支处理每个分支都包含频率感知专家卷积块FAE-Block。其中引入上下文感知空间-通道调制CA-SCM机制使低频分支的结构先验能够指导高频分支的纹理恢复。最后恢复的多尺度特征通过基于频域的特征金字塔融合模块FD-FPFM进行合成该模块利用全局谱注意力实现全面的频域融合。WTDM模块利用双树复小波变换DTCWT将图像无损分解为低频结构分量(xLF)和高频纹理分量(xHF)。为解决单层分解的局限性并充分解耦结构与纹理细节WTDM采用多级分解策略分解深度J针对不同模态进行优化LDCT为2LDPET为3。双分支频域专家网络由FAE-Block构建FAE-Block采用Simple Gate机制提供非线性而无整流。低频专家分支配备均值注意力MA捕捉全局强度偏差高频专家分支使用离散注意力DA捕捉纹理变异性。CA-SCM模块通过空间和通道域的仿射变换利用低频结构先验来指导高频纹理恢复。FD-FPFM模块采用分层融合策略逐步将增强后的高频细节与低频结构分量集成并通过频域自注意力FDSA机制进行全局谱调制有效捕捉长程依赖。损失函数采用Charbonnier损失作为主要目标并引入辅助频谱监督对中间的低频和高频分解应用Charbonnier损失以强制每个专家分支的学习。为了实现轻量级快速适应FADFNet提出参数高效微调策略冻结预训练的编码器-解码器骨干网络仅更新调制模块和融合模块这部分参数约占总参数的20%。这一策略基于分解后的频率特征在跨域中具有不变性的观察。Discussion讨论04本研究通过消融实验详细分析了FADFNet分解和融合框架的有效性。在频域分解模块中结果表明最佳分解深度J因模态而异LDCT通常受益于较浅的分解J1或2而LDPET则需要更深的分解J3或4以隔离宽带噪声。DTCWT相对于DWT存在移位变异伪影以及DCT/DFT缺乏时频局部化能力表现出更强的鲁棒性。在双分支去噪管道中低频分支的均值注意力MA和高频分支的离散注意力DA分别捕捉DC和AC能量有效提升性能。全范围Simple Gate (SG) 机制优于ReLU和GELU等整流激活函数其通道减半机制也使得架构更轻量。辅助频谱监督的设置经验证弱监督λaux0.1能有效引导频谱梯度流同时避免过度约束主目标。可视化结果进一步证实了双分支设计在去噪任务中的专业化作用高频分支有效抑制高频噪声并保留精细纹理和尖锐边缘结构而低频分支则侧重于缓解全局条纹伪影产生更平滑的结构表示。在频域调制和融合模块中上下文感知空间-通道调制CA-SCM通过对噪声伪影和信息纹理应用差异化缩放强度并根据编码器-解码器级别在空间上从精细纹理调制转向结构指导有效桥接语义-频谱鸿沟。与交叉注意力调制CAM相比CA-SCM在参数量更少的情况下实现了更优性能。频域自注意力FDSA在输出融合阶段提供了全局感受野具有比空间自注意力SSA更低的计算开销和更优的重建性能。在鲁棒性和收敛性分析中FADFNet展现出卓越的收敛速度和训练稳定性在整个训练过程中持续优于竞争模型。泛化性和适应性分析进一步验证了FADFNet的稳健性。尽管跨数据集推理因域偏移导致性能下降但部分微调策略能有效恢复性能。在全微调设置下LDCT的域适应主要由融合模块高偏移率高特征距离处理全局结构伪影驱动而LDPET则由调制模块低偏移率低特征距离校准噪声统计和纹理模式。这种双模态通用性通过融合进行结构重新对齐和通过调制进行纹理校准得以实现。FADFNet的扫描仪和协议无关性使其能无缝集成到多厂商医院网络其参数高效微调特性降低了AI增强重建的部署门槛支持在资源受限的环境下进行现场优化。临床评估证实了FADFNet在恢复和保留解剖器官边界方面的卓越能力有助于提高诊断精度。然而FADFNet的计算效率相对于一些轻量级专用架构仍有提升空间且对特定小波分解配置的依赖可能需要额外校准。未来工作将探索轻量化架构和量化技术以进一步优化计算效率和扩大其在边缘设备上的应用。Conclusion结论05本文提出了FADFNet一个可微调自适应分解-融合网络旨在解决低剂量CT和PET成像中持续存在的噪声退化和域异构性挑战。FADFNet摒弃了传统的“一刀切”方法建立了一个频率感知范式明确将重建任务分解为结构恢复和纹理重建。该框架的核心是将基于小波的分解模块与双分支专家集成并通过新颖的上下文感知调制机制连接。这种架构不仅有效地调和了噪声抑制和细节保留之间的内在权衡而且确保了鲁棒的跨模态适用性。通过对四个LDCT数据集和四个LDPET场景的广泛定量和定性评估验证了FADFNet的优越性。我们的方法在信号保真度和感知质量方面持续达到最先进的性能优于最近的扩散模型和基于Mamba的架构同时保持了显著降低的计算开销。除了标准基准测试跨域验证实验证明了该模型对扫描仪特定变化和剂量减少的卓越弹性。最重要的是参数高效微调策略的引入使得FADFNet能够通过仅更新19.7%的参数来适应新的临床环境。这一能力极大地降低了部署的计算和内存障碍为资源受限的医疗环境提供了实用解决方案。展望未来我们将进一步优化FADFNet的计算效率以促进在边缘设备上的实时处理。未来的研究将探索轻量级架构变体和先进的量化技术以最小化操作足迹而不损害诊断准确性。此外我们计划将此频率感知框架的适用性扩展到其他模态如磁共振成像和超声以验证其作为医学图像恢复通用解决方案的潜力。最终FADFNet代表了实现可扩展、高保真和临床可及的低剂量成像的重要一步有望在多样化的医疗环境中提高患者安全性和诊断精度。Results结果06在LDCT重建方面FADFNet在西门子、UI、飞利浦和GE四个LDCT数据集上均取得了卓越的像素级保真度最高PSNR、SSIM和最低RMSE并且在感知质量指标VIF、FSIM、LPIPS上也具有竞争力同时计算成本远低于扩散模型。视觉比较显示FADFNet能有效恢复精细的解剖结构避免了其他编码器-解码器算法常见的过平滑问题且重建图像与NDCT参考图像在视觉上更为接近更适合临床诊断。强度剖面图也证实了FADFNet在保留高频对比度信息方面的优势。在LDPET重建方面FADFNet在西门子和UI的LDPET数据集2%和1%剂量水平上均优于竞争方法无论是像素级准确性还是感知质量指标。它能有效恢复代谢细节和精细模式其沿脑干的强度剖面图比基线方法更接近NDPET。在跨数据集验证中FADFNet在零样本推理时展现出卓越的跨数据集适应性对于LDCT和LDPET任务在不同扫描仪几何形状和采集协议导致的域偏移下表现出显著的鲁棒性尤其在面临挑战性场景时能有效缓解性能下降。在跨数据集微调方面所提出的参数高效微调策略FADFNetP2显著降低了计算开销仅更新19.7%的参数节省36.7%的训练内存同时保持了与全微调相当的性能并在LDPET场景中调制模块对剂量水平的显著变化至关重要。与通用的去噪模型相比FADFNet的微调策略更具鲁棒性。在临床评估中两名经验丰富的医生进行的盲法研究表明ICC为0.9829Kappa为0.9154FADFNet在所有八种实验设置中均获得最高的平均视觉评分其评分分布与全剂量图像的分布最为接近证实了其卓越的临床可行性和在异构数据源下的鲁棒性。医生反馈FADFNet在恢复和保留解剖器官边界方面表现出色有助于精确勾勒相邻组织。Figure图07图1. 提出的FADFNet网络架构图。(a) 基于小波变换的分解模块WTDM将输入图像分解为低频和高频分量。(b)-(c) 两个并行的专家分支使用(d) 频率感知专家卷积块FAE-Blocks处理这些分量。(e) 上下文感知空间-通道调制CA-SCM利用低频结构先验来调制高频纹理。(f) 基于频域的特征金字塔融合模块FD-FPFM通过频域自注意力机制FDSA逐步整合多尺度特征以进行最终重建。图2.WTDM在不同层级Level1到Level4对(1) LDCT和(2) LDPET图像进行多级特征分解效果的可视化。在每列中主图像表示提取的高频图像而右上角的插图显示相应的低频图像。右下角的直方图描述了高频分量的强度分布其中x轴表示数值强度y轴表示对数域中的像素计数。可视化设置CT图像及其低频图像显示在(-160, 240) HU的窗宽窗位下而CT高频图像使用(-400, 400) HU的窗宽窗位以捕获细节。所有PET图像和子分量均使用完整动态范围进行可视化。图3.跨不同扫描仪类型和剂量水平的LDCT和LDPET特征分布可视化。为了进行此可视化我们从每个数据集中随机采样了200张切片。所有特征都表示预训练VGG19编码器前两个块编码的输出特征。顶行(a)-(d)显示了t-SNE分布而底行(e)-(h)显示了相应的UMAP分布。具体来说(a)和(e)说明了LDCT图像的分布(b)和(f)显示了LDCT分解后的高频和低频分量的分布(c)和(g)描绘了LDPET图像的分布(d)和(h)则展示了LDPET的分解分量。图4.FADFNet与SOTA竞争方法在四个异构数据集上生成的LDCT重建结果的视觉定性比较。行从上到下各行分别对应西门子、UI、飞利浦和GE数据集的代表性切片。所有切片均以(-160, 240) HU的窗宽窗位显示。为了便于更仔细地检查纹理保留和噪声抑制每个全视图图像中用红色虚线框标记的ROI被放大并显示在右下角。图5.沿重建CT图像线性感兴趣区域左肾上腺窝如图4中绿线所示的强度剖面比较。图6.FADFNet与SOTA竞争方法在不同数据集和剂量减少水平下生成的LDPET重建结果的视觉定性比较。行从上到下各行分别对应西门子数据集2%和1%剂量水平和UI数据集2%和1%剂量水平的代表性切片。为了便于更仔细地检查代谢细节和噪声抑制每个全视图图像中用红色虚线框标记的ROI被放大并显示在右下角。图7.沿重建PET图像线性感兴趣区域脑干如图6中绿线所示的强度剖面比较。图8临床阅片评分的统计可视化由经验丰富的医生在盲法研究中采用五点李克特量表1无法解释到5优秀进行评估。(1) 柱状图上半部分显示了FADFNet和竞争模型在八种不同实验设置下的平均得分及标准差误差条涵盖西门子、UI、飞利浦和GE扫描仪的四个LDCT数据集(a-d)以及涵盖西门子和UI数据集2%和1%剂量水平的四个LDPET场景(e-h)。(2) 小提琴图下半部分说明了相应数据集的概率密度和分数分布以揭示模型性能的稳定性。FADFNet在所有重建方法中始终获得最高的平均评分。此外其评分分布曲线在高分区域密集最接近参考全剂量图像NDCT/NDPET证实了其在异构数据源下的卓越临床可行性和鲁棒性。图9不同频域分解方法包括LDCT的DTCWT(L2)和LDPET的DTCWT(L3)LDCT的DWT(L2)和LDPET的DWT(L3)DCT(截止比0.2)和DFT(截止比0.2)分解结果的视觉比较。图10用于深度监督的分解频域表示的可视化。(a)-(d) 分解后的输入(e)-(h) 分支预测(i)-(l) 真值目标。对(e)-(h)应用独立监督以强制学习纹理和结构。图11(a) LDCT和(b) LDPET的CA-SCM可视化包括不同编码器-解码器层级的相对热图用于描绘空间调制分布以及核密度估计图用于展示通道调制分布。在相对热图中强度值通过减去均值得到其中红色表示相对增强蓝色表示相对抑制。图12DFNet和三种比较性编码器-解码器模型在LDCT数据集上随训练epoch变化的验证性能曲线包括(a) PSNR(b) SSIM和(c) VIF。图13在全微调设置下LDCT和LDPET迁移任务中骨干分支、融合模块和调制模块的平均相对参数偏移率和特征距离。