近日，研究中心的团队人员聚焦于低剂量能谱CT图像重建中的噪声抑制问题，提出了一种基于结构先验网络（SP-Net） 的新型深度学习重建方法。传统深度学习方法在训练过程中依赖“干净”的高剂量图像作为标签，然而在实际能谱CT成像中，由于光子计数探测器的计数率限制和多能谱分箱采集特性，即使是高剂量图像也常伴有噪声和伪影，导致网络训练效果受限，输出图像中仍存在残留噪声。为此，团队人员引入压缩感知框架下的结构先验信息，将高剂量全能量图像和子能量图像的结构信息融入网络损失函数中，构建了一个不依赖于完美标签的去噪网络模型，从而在标签本身存在噪声的情况下仍能有效去除噪声并保留图像结构细节。

结构先验网络（SP-Net） 方法的核心思想在于将结构先验信息引入网络训练过程中，通过构建融合图像稀疏性约束和先验图像结构信息的损失函数，使网络在训练过程中不仅依赖于有噪声的标签图像，还受到来自高剂量全能量图像和子能量图像的结构引导。

在方法设计上，SP-Net采用了编码器-解码器结构的残差网络，输入为低剂量子能量图像，标签为带有噪声的高剂量子能量图像。损失函数中除了传统的数据拟合项外，还引入了三项正则化约束：图像梯度的稀疏性约束、全能量先验图像的结构约束、以及子能量先验图像的结构约束。这些约束项共同作用，使网络在训练过程中能够“忽略”标签中的噪声成分，专注于学习图像的真实结构特征。

研究提出的网络框架

模拟数据生成流程

研究通过仿真数据和真实小鼠腹部扫描数据进行了系统验证。实验结果表明，与传统方法（如FBP、TV、TGV）及其他深度学习模型（如Noise2Noise、MPR-Net、MIMO-Net）相比，SP-Net在RMSE、PSNR和SSIM等图像质量指标上均表现更优，尤其在标签存在噪声时仍能有效去除残留噪声并保持结构完整性。此外，消融实验进一步证实了各正则项在提升图像质量中的必要性。

此研究不仅在于提出了一种适用于噪声标签情况的能谱CT去噪方法，也为在实际成像条件下如何利用不完美标签进行深度学习模型训练提供了新思路。该方法具有较高的临床应用潜力，适用于单次扫描中同时获取低剂量输入与高剂量标签的实际场景，为低剂量能谱CT在医学成像中的推广提供了技术支持。 

相关成果以《Low-dose spectral CT reconstruction based on structural prior network》（基于结构先验网络的低剂量光谱CT重建）为题，发表于American Association of Physicists in Medicine（美国医学物理学家协会）。论文链接： https://doi.org/10.1002/mp.70061。