这项由北京航空航天大学生物与医学工程学院合资清华大学生物医学工程系、中国医学科学院肿瘤病院及小米公司的商议东说念主员共同完成的职责，发表于2026年的《医学图像分析》（Medical Image Analysis）期刊，预印本编号为arXiv:2606.11131。感钦慕的读者可以通过该编号查阅完整论文。

一、当病院查验碰到一个痛楚的窘境

每次作念PET扫描，病院都需要往患者体内打针一种带有放射性的示踪剂。这种示踪剂会跟着血流游走，在代谢重生的地方——比如肿瘤——广大邻接，然后向外辐射粒子信号，扫描仪捕捉这些信号之后就能拼出一幅东说念主体里面的"活动舆图"。问题在于，放射性剂量越高，拍出来的图像越表示，但患者承受的辐射风险也越大。于是大夫们常常会裁汰打针剂量——这即是所谓的"低剂量"扫描。

可是低剂量扫描的代价是图像质地大幅着落。信号变得寥落，图像看上去就像一张过度曝光又充满噪点的老相片，小小的肿瘤结节可能径直消散在噪声里，让大夫看得头疼。为了弥补这一颓势，商议东说念主员耐久以来都在开发多样深度学习算法，试图把嘈杂的低剂量图像"竖立"成接近正常剂量的表示版块。

比年来这类要道一经取得了非常可以的限度，但有一个致命的短板恒久困扰着统共东说念主：简直统共现存的算法都只针对某一个固定的"剂量削减比例"（论文中称之为DRF，通俗贯穿即是原始剂量被打了几折）进行教悔。DRF=2意味着剂量减半，DRF=12意味着剂量唯有正常的十二分之一。一朝施行扫描中使用的比例和算法预设的不同，性能就会急剧下滑。

这个问题在现实中其实相等广大。不同患者的体重、体型不同，大夫会调整打针量；扫描是在打针后若干分钟进行的，也会影响施行"灵验剂量"；不同病院的扫描时长不同……各种因素肖似，导致真实宇宙里的DRF简直长期方于变动之中。教悔一个DRF专用模子，等于买了一把只可开某一把锁的钥匙。而为每一种可能的DRF都单独教悔一个模子，则意味着重大的规划支出和留神老本，在临床上根柢不现实。

北航领衔的这支团队恰是在这个配景下提倡了UniPET系统，看法是用一个斡旋的模子，处理恣意DRF下的低剂量PET图像，同期不糟跶图像质地。

二、"气派摒除"——一个被耐久残酷的隐患

在先容UniPET的具体决策之前，有必要先贯穿团队发现的一个要害欢欣。商议东说念主员发现，不同DRF下的低剂量图像，并不仅仅表示度不同那么通俗——它们在纹理、细节的分散和特征上存在系统性相反，就像归拢个场景在不同天气、不同清明下拍出的相片：配景内容交流，但"气质"完全不同。论文把这种相反叫作念"气派相反"。

当你把不同DRF的图像皆备塞给归拢个神经收罗去学习时，收罗会本能地寻找统共图像的共性，削平相反，产生一个平均化的输出。对于平坦均匀的配景区域，这没什么问题；但对于那些充满微弱纹理和细节的区域——比如小肿瘤、组织界限、精致的空间领受模式——收罗会把不同DRF气派之间的相反贯穿为"噪声"，然后把它们一并抹平。最终输出的图像变得过于光滑，像是被磨皮过度的相片，细节丢失，会诊价值大打扣头。商议团队把这种欢欣定名为"气派摒除问题"。

为了量化这个欢欣，团队作念了一组很直不雅的分析：把PET图像分歧为"气派化区域"（富含纹理的活跃区域）和"平坦区域"（均匀、变化少的配景），然后分别测量不同DRF下图像与法式全剂量图像之间的流毒。限度相等表示：平坦区域在各个DRF下的流毒都很小，变化不大；而气派化区域的流毒跟着DRF升高而急剧增大，何况在不同DRF之间相反显耀。这说明，气派化区域才是真实"难啃的硬骨头"，亦然通用模子最容易出错的地方。

三、UniPET的三层架构：一个窥探团队的单干融合

UniPET的举座想路可以用一个窥探团队办案的譬如来贯穿。濒临通盘复杂案件（低剂量噪声图像），团队分三步行径：第一步，老窥探凭告诫先作念一个初步判断，把案子的简略轮廓勾画出来；第二步，特地崇敬"气派武断"的成员介入，识别案发现场的非常气派特征，确保细节不被遗漏；第三步，团队在最难破的要害痕迹上麇集火力，幸免在一经表示的通俗情节上浮滥元气心灵。

具体来说，UniPET由三个中枢组件组成。

第一个组件叫作念基础降噪收罗（BDN）。这是整个系统的骨干，一个事前在多种DRF数据上合资教悔好的神经收罗。它的任务是接收低剂量图像，估算出需要抵偿的"残差"（即图像与全剂量图像之间的差距），然后把这个残差加回原图，得到初步的收复限度。BDN的结构选拔了经典的残差学习框架：先用一层卷积索要浅层特征，再通过若干个残差模块潜入挖掘深层特征，临了输出估算的残差图。这个组件大略提供非常可以的去噪限度，但由于莫得特地处理气派相反，它的输出仍然存在过度平滑的问题，枯竭不同DRF应有的非常纹理和细节。

第二个组件叫作念气派对皆收罗（SAN）。这是UniPET最中枢的改进。SAN的职责旨趣是：先从输入的低剂量图像中索要"领域常识"，也即是对于面前图像属于哪种DRF气派的痕迹；然后用这些痕迹动态调整BDN里面的特征气派，让BDN的每一层处理都能"感知"到面前处理的是哪种剂量下的图像，从而有针对性地收复该剂量应有的纹理和细节。

SAN究竟何如索要"领域常识"？团队比较了三种决策：径直用原始低剂量图像自己、用从图像中手工索要的高频身分（保留纹理信息）、以及用收罗自动学习得到的浅层特征。浅层特征指的是BDN第一层卷积处理后的中间居品，它既保留了图像的初级纹理和细节信息，又经过了可学习的变换，比原始图像更"纯粹"地反应了领域联系的特征。商议发现浅层特征是三者中最灵验的领域常识暗示。

有了领域常识之后，SAN通过四个编码模块将其压缩成四种不同线索的"气派码"。这四种气派码对应着BDN中四个不同阶段的特征，就像乐团里的携带用不同手势分别携带弦乐、管乐、打击乐和木管乐器，各司其职又融合斡旋。每个气派码会被传入BDN对应线索的残差模块，通过一种叫作念"动态卷积"的机制，把气派信息揉入特征处理过程中。

这里的"风立场制"机制值得细说，因为它是整个SAN的履行中枢。在平素卷积神经收罗里，卷积核（可以贯穿为特征索要的"模板"）是固定不变的，无论输入是DRF=2如故DRF=12的图像，用的是归拢套模板。但UniPET引入了"动态卷积"——卷积核的参数会凭据输入图像的气派码及时调整。具体操作是：先对领域常识作念全局平均池化（把空间信息压缩成一个紧凑的向量），再经过一个仿射变换层得到气派码，然后用这个气派码对卷积核的权重作念逐元素缩放，并归一化处理，最终得到针对面前DRF"量身定制"的动态卷积核。这么一来，濒临DRF=12的严重噪声图像，收罗会自动调整处理战略；濒临DRF=2的微弱噪声图像，又会换一套处理形势。

为了确保这种风立场制竟然在起作用，SAN还引入了一个"气派对皆死亡"。旨趣是这么的：在神经收罗处理图像时，特征图的均值和法式差（也即是统计特质）被以为承载了"气派"信息——这是图像气派迁徙领域的纯属发现。要是一个低剂量图像被正确收复了，那么它在BDN里面的特征统计就应该和全剂量图像的特征统计趋于一致。于是团队策动了一个死亡函数，径直度量低剂量图像在BDN各层的特征统计与全剂量图像特征统计之间的差距，教悔时合手续最小化这个差距，迫使模子把不同DRF的特征都"对皆"到全剂量的法式上。

第三个组件叫作念区域感知学习战略（RALS）。这个组件贬责的是另一个维度的问题：就算有了SAN的风立场制，教悔数据中平坦配景区域占绝大多数，气派化区域只占很小一部分，模子在优化时当然会把更多庄重力放在"容易的部分"上，对"难的部分"的学习限度打扣头。

RALS的贬责决策非常径直：把图像按照纹理丰富进度分歧为"气派化区域"和"平坦区域"，然后只在气派化区域上开展反抗教悔（GAN教悔），让判别器特地评估这些区域的收复质地，迫使生成器在这些区域上镌脾琢肾。

具体的区域分歧要道是：对全剂量图像的每个体素，规划以它为中心的一个小立方体邻域内的像素方差——方差大的地方纹理丰富，方差小的地方则比较均匀。然后设定一个阈值（论文中选择的是0.001），方差高于阈值的体素归入气派化区域，米兰体育2026世界杯指定中国官网低于阈值的归入平坦区域。教悔时，模子生成的收复图像和真实全剂量图像分别乘以这个区域掩码，只保留气派化区域的内容，再送入判别器作念反抗学习。整个反抗教悔选拔的是WGAN-GP框架，判别器是PatchGAN结构，这些本事弃取都有助于生成更透露、更真实的纹理细节。

四、教悔经由和实验竖立

UniPET的教悔选拔了分阶段的战略。第一阶段，屏蔽SAN和RALS，单独预教悔BDN，使用通俗的L1重建死亡，让骨干收罗先学会基本的降噪才智，教悔200轮。第二阶段，激活SAN，用重建死亡加气派对皆死亡合资优化整个生成器，教悔200轮，让风立场制机制缓缓磨合。第三阶段，引入RALS，运转反抗教悔，生成器和判别器轮流教悔，合手续100轮，进一步打磨纹理细节的收复限度。这种从粗到细的教悔经由，确保了每个组件都能在合适的基础上阐发作用。

为了考据模子限度，商议团队建立了四个数据集。UPID-Base是中枢非常数据集，来自北京协和病院，包含115名受试者，全剂量加上DRF为2、3、6、12四种低剂量的PET图像，按90/10/15分派给教悔、考据和测试集，测试麇集有10名癌症患者共36个病灶。UPID-OOD-DRF是出分散测试集，来自归拢家病院但使用了不同的DRF（1.5、2.4、4、10），特地测试模子对"从未见过的剂量"的泛化才智。UPID-OOD-Center则来自北京病院的另一台PET/CT系统，既是不同病院，亦然不同机器，用于测试跨中心泛化性。此外，商议团队还在公开的Bern数据集上进行了考据，该数据集来自伯尔尼大学病院，包含377名受试者，涵盖DRF=2、4、10、20、50、100六个级别，是迄今为止最大界限的公开PET降噪数据集之一。

2026世界杯滚球中国官网入口

评估维度也非常全面。量化目的方面选用了峰值信噪比（PSNR，接洽举座强度收复精度）和结构相似性（SSIM，接洽结构保真度）。感知质地方面使用了LPIPS（对纹理、结构、模式变化敏锐，能灵验评估气派收复质地），并邀请四名放射科大夫对图像进行盲评打分，分别针对噪声摒除、结构保留、纹理保留和举座质地四个维度打1到5分。临床联系性方面，由资深放射科大夫标注了血池、肝脏和病灶三个感钦慕区域，用平均澈底流毒（MAE）量化SUV（法式领受值）流毒；同期由另外三名放射科大夫零丁标注可见病灶，用F1分数评估病灶检测性能；此外还教悔了一个病灶分类模子，通过ROC弧线底下积（AUC）量化图像对自动病灶检测的赈济进度。

超参数的登科也经过了系统性的搜索。商议团队选拔了分组序贯优化战略，优先调整对举座性能影响最大的数据联系参数（如教悔块大小P）和模子联系参数（残差模块数量N、通说念维度C），再调整死亡联系参数（均衡统共β和γ、气派化区域阈值δ）。最终细目的建树为：块大小64，残差模块数8，通说念数64，β=γ=0.001，开云2026世界杯中国官网δ=0.001。

五、实验限度：通用模子能击败专用模子吗？

最令东说念主珍重的问题是：一个为统共DRF职业的通用模子，能达到特地针对某个DRF教悔的专用模子的水平吗？谜底是投降的，何况UniPET作念到了。

在UPID-Base数据集上，单独针对DRF=2教悔的专用模子在DRF=2上PSNR为50.54，但一朝切换到DRF=12，性能就跌至42.19。其他专用模子也有类似问题，在我方擅长的DRF上阐发出色，一朝濒临生分DRF就昭彰败北，概括平均性能反而不高。莫得SAN和RALS加合手的基础通用模子BDN概括PSNR达到48.08，但在LPIPS这个反应纹理细节的目的上阐发昭彰偏弱，印证了气派摒除问题的存在。而UniPET的概括PSNR达到48.55，SSIM升迁至0.967，LPIPS仅为0.007，在统共四个DRF上都取得了与对应专用模子非常或更好的收成。换句话说，UniPET是第一个真实作念到"一模多用不掉链子"的通用PET降噪系统。

与其他五种对比要道（Unet、DCNN、mDCSRN、3D-cGAN和面前最优的Spach Transformer）的比较通常令东说念主信服。在UPID-Base数据集上，UniPET在统共DRF和统共量的上均非常了统共对比要道，尤其是LPIPS的上风最为杰出：最优对比要道Spach Transformer的平均LPIPS为0.010，而UniPET为0.007，降幅非常30%。在领有六种DRF的Bern数据集上，UniPET通常全面最初，在极高DRF（100倍剂量削减）下仍能保合手最好性能，展现了处理极点低剂量场景的才智。

放射科大夫的主不雅打分更是直不雅反应了UniPET的上风。噪声摒除方面，UniPET平均得分4.60，远高于第二名Spach Transformer的4.20；结构保留4.40分，纹理保留4.35分，举座质地4.60分，均为最高。特别是纹理保留这一项，其他要道得分广大在3分附近，UniPET高出近1.5分，说明其生成的图像在视觉上对临床大夫来说愈加真实委果。

在病灶检测这个最逼近临床价值的评估维度上，UniPET通常一骑绝尘。低剂量原图在DRF=12时病灶检测F1分数仅有0.58，经过UniPET处理后达到0.93，升迁幅度在统共要道中最大；而Spach Transformer在DRF=12时的F1分数为0.84，DCNN为0.81。ROC弧线分析也呈现了一致的章程：UniPET的ROC弧线在统共DRF下都最接近全剂量数据的弧线，DRF=2时AUC达到0.86，DRF=12时也有0.75，相较之下其他要道最高仅有0.82（DRF=2，Spach Transformer）和0.70（DRF=12）。

在SUV流毒的临床评估中，血池区域UniPET的MAE为0.098，肝脏为0.099，病灶为0.165，均为最低。参照临床可禁受的SUV流毒法式（平均流毒不非常真实值的10%），统共要道的阐发都达标，但UniPET在病灶区域的流毒比最优竞争敌手低出约12%，对于需要精准判断病灶领受量的临床场景有实质性意旨。

六、在生分环境下的阐发：出分散泛化测试

把一个在协和病院数据上教悔的模子，拿去向理从未见过的DRF数据，或者完全不同病院、不同机器扫出来的图像，会发生什么？这是磨练模子真实泛化才智的终极锻练。

在UPID-OOD-DRF测试集上（DRF为1.5、2.4、4、10，全部不在教悔集范围内），UniPET的PSNR为47.93，SSIM为0.967，LPIPS为0.007，非常第二名Spach Transformer的47.49/0.961/0.009。这意味着即使濒临从未"见过"的剂量削减比例，UniPET依然能透露阐发，而不是像专用模子那样碰到生分DRF就"不料志了"。

在UPID-OOD-Center测试集上（不同病院、不同机型），统共要道都受到了昭彰冲击，广大出现性能下滑。但UniPET的跌幅最小，PSNR达到43.61，比第二名mDCSRN高出1.10 dB，SSIM高出0.007，LPIPS低出0.011。值得庄重的是，Spach Transformer在这一测试中阐发相对较差，LPIPS高达0.050，昭彰不如其他要道，这说明Transformer架构在跨中心场景下可能存在更强的领域依赖性，而UniPET基于领域泛化策动的SAN机制提供了更强的抗漂移才智。

七、逐件拆解：每个组件到底孝顺了若干？

商议团队对UniPET的每个组件都进行了系统的消融实验，阐发各自的孝顺。

对于SAN的作用：仅加入SAN（莫得RALS）时，比较基础BDN，PSNR从48.08升迁至48.98，SSIM从0.962升迁至0.968，LPIPS从0.016降至0.011，病灶MAE从0.189降至0.172。这说明气派对皆机制对举座性能升迁的孝顺是全面的，遮蔽了量化、感知和临床三个维度。在病灶检测方面，DRF=12时F1分数从0.83升迁至0.88，AUC从0.68升迁至0.71。

对于RALS的作用：仅加入RALS（莫得SAN）时，PSNR升迁幅度不如SAN（从48.08到47.85，反而略有着落），但LPIPS从0.016大幅降至0.009，病灶MAE从0.189降至0.173。这个模式说明RALS的主要孝顺是纹理和细节的收复，而不是举座亮度精度。从F1分数看，DRF=12时从0.83升迁至0.85，AUC从0.68升迁至0.72。两者组合使用时限度最好，PSNR为48.55，LPIPS为0.007，病灶MAE为0.165，DRF=12的F1分数为0.93，AUC为0.75。

对于SAN里面策动的消融：三种领域常识暗示的比较（原始低剂量图像、手工高频身分、浅层特征）中，浅层特征在统共四个目的上均为最优，病灶MAE比原始图像低0.004，比高频身分低0.003。分层镶嵌与单一镶嵌（只用临了一层的输出）的比较中，分层镶嵌的病灶MAE为0.165，低于单一镶嵌的0.170，PSNR高出0.33 dB，评释多线索的细粒度风立场制比单一全局调制更灵验。加入气派对皆死亡与去掉它比较，PSNR升迁0.17 dB，LPIPS裁汰0.001，病灶MAE裁汰0.003，说昭彰式的统计对皆连接如实在匡助模子治理到更好的气派空间。

对于RALS中阈值δ的登科：当δ=0时等同于全图反抗教悔，LPIPS为0.009；当δ=0.001时即UniPET的选择值，LPIPS为0.007，是统共候选值中最优的；当δ连接增大至0.01和0.1时，LPIPS分别退化到0.009和0.010；当δ=+∞时完全关闭反抗教悔，LPIPS为0.011。这说明适中的气派化区域弃取比全图教悔更灵验：太小的δ会把通俗的平坦区域也纳入反抗教悔，稀释对繁重区域的珍重；太大的δ则会遗漏部分有价值的纹理区域。

从临床ROI的角度来看，RALS在气派化区域上教悔所取得的血池MAE（0.098）、肝脏MAE（0.099）和病灶MAE（0.165）都优于全图反抗教悔。为表示解这与"径直在各临床ROI上教悔"的差距，团队还特地用每个临床ROI的标注掩码替换RALS的气派化区域掩码，限度血池MAE降至0.092，肝脏降至0.093，病灶降至0.153。这说明RALS的气派化区域战略在不需要任何临床标注的情况下，一经非常接近这种"上界"水平。

为了考据SAN和RALS的可迁徙性，商议团队还把这两个组件嫁接到了三种不同架构的收罗上：ResNet结构的BDN（默许使用的）、DenseNet结构的mDCSRN，以及UNet结构的3D-cGAN。三种收罗在加入SAN和RALS之后，病灶MAE分别裁汰了0.024、0.011和0.010，LPIPS也均有昭彰改善。这评释了UniPET的框架策动具有精致的通用性，并非特地为某种特定收罗结构"量身成衣"的居品。

八、局限与将来场所

憨厚地说，UniPET并非完好意思。从可视化限度来看，合成图像中的微恙灶与全剂量参考图像比较仍存在一定差距，部分病灶的体式出现了微弱变形。商议团队将这归因于微恙灶在整个数据麇集占比极小，使得模子难以从有限的样本中充分学习其精准模式。将来可以模仿将下流分割任务手脚援救监督信号的想路，特地强化微恙灶的收复才智。

跨中心泛化仍然是一个未完全贬责的问题。在UPID-OOD-Center数据集上的可视化限度自满，UniPET的输出在某个病灶上出现了对比度收复不及的情况，说明模子对极点领域偏移依然有盲区。团队初步尝试了反抗样本教悔（FGSM，快速梯度标识法）来增强鲁棒性：加入FGSM后，模子在UPID-Base上的PSNR小幅着落（48.55→48.36），但在两个出分散测试集上分别升迁了0.09和0.22 dB，自满出改善泛化性的后劲。将来更高档的反抗教悔要道有望进一步鼓吹这一场所。

此外，商议团队也坦承，当今的评估目的——PSNR、SSIM、LPIPS、F1分数、SUV流毒——都是障碍的替代目的，而非真实临床职责经由中的径直考据。将来需要基于真实临床大界限数据的前瞻性商议，才能最终阐发模子在临床部署中的施行价值。

归根结底，这项商议的中枢孝顺是：它把PET图像降噪从一个"专用模子问题"滚动为了"通用模子问题"，并找到了一条切实可行的贬责旅途——通过领域泛化本事消解不同剂量间的气派相反，通过区域感知战略把有限的学习资源麇集在真实紧迫的地方。这不仅仅算法层面的手段越过，而是对这个问题骨子的一次再行界说。对于临床核医学来说，留神一个能卤莽统共剂量情况的单一模子，远比留神一套不同DRF各用一个的模子阵列更经济、更施行，也更稳当真实宇宙的需求。

要是你对本事细节有进一步的钦慕，原论文已在arXiv上公开，编号为arXiv:2606.11131，代码也已开源于GitHub（搜索"Yaziwel/UniPET"即可找到）。

Q&A

Q1：PET图像的"气派摒除问题"是什么？

A：气派摒除问题指的是，当一个通用降噪模子同期处理不同剂量削减比例的PET图像时，会本能地抹平各剂量之间的纹理和细节相反，产生过于光滑的输出图像，导致微恙灶和精致组织结构丢失，裁汰会诊价值。UniPET通过气派对皆收罗特地卤莽这一问题。

Q2：UniPET的区域感知学习战略和平素GAN教悔有什么不同？

A：平素GAN教悔对整张图像一视同仁，但PET图像中大部分是变化不大的配景区域，唯有少数区域富含会诊联系的纹理细节。UniPET的区域感知学习战略通过规划局部方差规则"气派化区域"，只在这些区域开展反抗教悔，让模子把有限的学习才智麇集在最难收复、也最紧迫的部分，实考据明限度优于全图教悔。

Q3：UniPET在完全生分的病院斥地上阐发何如？

A：在来自北京病院、使用不同PET/CT机型的测试数据上，UniPET的PSNR达到43.61，比第二名高出非常1 dB，LPIPS也优于统共对比要道。尽管跨中心场景下统共模子都有性能下滑开云2026世界杯中国官网，UniPET凭借领域泛化策动的气派对皆机制展现了最强的跨中心鲁棒性。