基于联邦特征学习的多机型低剂量CT重建算法

作     者：陈世宣 曾栋 边兆英 马建华 CHEN Shixuan;ZENG Dong;BIAN Zhaoying;MA Jianhua

作者机构：南方医科大学生物医学工程学院//广州市医用放射成像与检测技术重点实验室广东广州510515 

出 版 物：《南方医科大学学报》 (Journal of Southern Medical University)

年 卷 期：2024年第44卷第2期

页      面：333-343页

核心收录：

学科分类：08[工学] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金(U21A6005)。 

主　　题：计算机断层成像 低剂量 联邦学习 图像重建 

摘      要：目的提出一种基于联邦特征学习的多机型低剂量CT重建算法(FedCT),以提升深度学习模型对多CT机型的泛化能力并保护数据隐私。方法FedCT框架在每个协作学习的客户端中设置了一个基于数据-解析模型耦合驱动的Radon反变换智能重建模型作为局部网络模型,并采用投影域特异性学习策略,在局部投影域保留成像几何特异性。同时,引入联邦特征学习,使用条件特征参数标记局部数据并馈入网络模型进行编码以在图像域提升网络模型的泛化性。结果在跨站点的多机型、多协议低剂量CT重建实验中,FedCT的重建结果在所有对比联邦学习方法中获得了最高的PSNR(高于次优的联邦学习方法+2.8048、+2.7301、+2.7263)、最高的SSIM指标(高于次优的联邦学习方法+0.0009、+0.0165、+0.0131)以及最低的RMSE指标(低于次优的对比联邦学习方法-0.6687、-1.5956、-0.9962)。在消融实验中,相较于一般联邦学习策略,采用投影特异学习策略的模型在测试集上的PSNR指标的Q1平均提升1.18,RMSE指标的Q3平均降低1.36。在引入联邦特征学习后,FedCT在测试集上的PSNR指标的Q1进一步提升3.56,RMSE指标的Q3进一步降低1.80。结论FedCT为协作构建CT智能重建网络模型提供了有效解决方案,能够在保护数据隐私的基础上,增强网络模型泛化性,进一步地提升网络模型在全局数据上的重建性能。