Nat. Comput. Sci. | HorusEye: 自监督基础模型赋能可泛化的X射线断层成像重建

（来源：DrugAI）

DRUGONE

X射线断层成像在医学和科学研究中被广泛应用，但在低剂量或数据稀缺条件下，图像退化严重，成为可靠分析的重要障碍。现有方法通常针对特定模态或预定义退化过程设计，因此泛化能力有限。

研究人员提出了一种名为 HorusEye 的自监督基础模型，通过从数据中直接学习真实的非参数化成像退化过程，实现通用的断层图像恢复。该模型利用跨切片对比学习，在无需成对数据和预设退化模型的情况下，同时学习结构先验与噪声分布。基于超过一亿张图像的大规模训练，HorusEye能够在多种成像模态与任务中表现出优异的泛化能力，在图像质量、细节恢复以及临床可用性方面均显著优于传统方法。这表明基础模型范式可以成为X射线图像恢复的重要发展方向。

X射线断层成像技术（如CT、micro-CT、nano-CT等）通过多角度投影重建三维结构，是现代医学诊断与材料分析的重要工具。然而，该技术在实际应用中受到多种因素影响，例如光子衰减、束硬化效应、电子噪声以及重建过程误差，导致图像噪声增加、分辨率下降和信噪比降低。

近年来，深度学习方法在图像恢复中取得了显著进展，但在X射线断层成像中仍存在明显局限。多数方法依赖成对数据（高剂量与低剂量图像），而此类数据难以获取；同时，这些方法通常针对单一任务或模态设计，难以适应复杂多变的实际场景。

随着基础模型的发展，研究人员开始探索通过大规模预训练获得跨任务和跨模态的泛化能力，这为构建统一的断层成像恢复框架提供了新的可能。

方法

研究人员提出了一种基于自监督学习的两阶段框架。该方法利用断层图像在相邻切片之间具有结构连续性，而噪声则呈现不连续性的特点，通过跨切片建模实现噪声与结构的分离。

在第一阶段，模型通过“中间切片预测”任务，从相邻切片中恢复目标切片，从而抑制随机噪声，并将预测残差视为真实噪声。第二阶段构建去噪自编码器，将提取出的噪声注入干净图像中生成伪噪声样本，并训练模型恢复原始图像。

为了进一步提升性能，系统采用互相促进的协同优化策略，不断迭代优化噪声建模与结构表示。同时，模型以SwinUNet为骨架结构，并在覆盖多模态的大规模数据集上进行训练，从而学习通用的成像退化规律。

图1：HorusEye概览：模型架构、开发流程与数据集构成。

结果

HorusEye整体框架与数据构建

研究首先展示了HorusEye的整体架构，包括跨切片对比学习策略、两阶段自监督训练流程以及大规模多中心数据集构建。结果表明，该方法能够同时学习结构信息与噪声模式，从而实现无需标注数据的高质量恢复。

医学CT图像恢复性能

在剂量对比数据集上，HorusEye能够将低剂量CT图像恢复到接近超高剂量扫描的质量水平。在PSNR和SSIM指标上均显著优于现有方法，并在视觉上更好地保留结构细节，同时避免过度平滑。

在真实临床数据中，模型同样表现出稳定性能，能够显著降低噪声并增强血管等细微结构的可见性，同时在高频信息恢复方面具有明显优势。

图2：HorusEye在真实医学CT中的应用。

低剂量CT恢复效果

实验结果显示，HorusEye在不同剂量条件下均能实现一致的高质量恢复，其输出图像在结构相似性和细节保留方面接近高剂量参考图像。

跨模态泛化能力

研究进一步在多种X射线成像模态上测试模型，包括micro-CT、nano-CT、相位对比成像以及动态与光谱断层成像等，其中部分模态在训练中未出现。

结果表明，HorusEye在所有模态中均优于传统去噪方法，在噪声抑制和结构恢复方面表现稳定，显示出强大的跨模态泛化能力。

图3：HorusEye在多种X射线断层成像模态中的应用。

多模态恢复能力

在不同尺度（毫米到纳米级）和不同成像机制下，HorusEye均能有效恢复结构细节，并保持较高的频域一致性，验证了其作为通用模型的潜力。

多任务迁移能力

研究将HorusEye应用于多个典型恢复任务，包括超分辨率、厚度重建、金属伪影去除以及运动校正。

结果显示，该模型在所有任务中均优于从头训练模型和任务特定模型，能够恢复更清晰的边界结构并减少伪影，同时在定量指标上取得显著提升。这表明预训练获得的结构表征具有良好的迁移能力。

图4：HorusEye在其他图像恢复任务中的应用。

多任务恢复表现

通过仅微调解码器即可实现跨任务迁移，说明模型编码器已学习到通用结构表示，这是其性能提升的关键因素。

临床评估与诊断提升

在多中心临床评估中，放射科医生对HorusEye处理后的图像评分显著提高，尤其在噪声、对比度和病灶可见性方面均优于原始低剂量图像，并接近高剂量图像水平。

在困难病例（如低对比病灶）中，模型显著提高了病灶检出率。例如，肺栓塞检测率从极低水平显著提升，表明该方法能够恢复隐藏信息并辅助临床诊断。

图5：HorusEye的临床评估。

临床诊断能力提升

实验表明，图像恢复不仅改善视觉质量，还直接提升临床决策能力。

研究进一步评估HorusEye对计算机辅助诊断（CAD）任务的影响。在多个分类、分割与检测任务中，使用HorusEye预处理后的数据显著提升模型性能，例如血管分割任务中Dice系数大幅提升。

图6：基于HorusEye的X射线断层成像退化分析。

CAD任务性能提升

结果表明，图像恢复作为前处理步骤，可以系统性增强AI模型在医学影像中的表现。

本研究提出了一种全新的视角，将图像恢复问题从“建模退化过程”转变为“从数据中学习真实退化”。这一转变使模型摆脱了对人工假设的依赖，从而获得更强的泛化能力。

HorusEye的成功表明，自监督基础模型可以在缺乏标注数据的情况下学习复杂的物理成像过程，并在多模态、多任务和真实临床场景中保持稳定性能。这对于解决医学影像中数据稀缺与分布变化问题具有重要意义。

然而，该方法仍存在一定局限，例如对极端噪声或特殊成像条件的适应能力仍需进一步验证。此外，计算资源需求较高，大规模预训练仍是实际应用中的挑战。

总体而言，该研究展示了基础模型在科学成像领域的巨大潜力。未来，随着数据规模和模型能力的持续提升，这类方法有望成为医学影像处理的标准工具，并推动精准医学与自动化诊断的发展。

整理 | DrugOne团队