U-STAR: Unsupervised Structure-Texture Adaptive Refinement Framework for Material Decomposition

doi:10.1109/tci.2026.3738095

U-STAR: Unsupervised Structure-Texture Adaptive Refinement Framework for Material Decomposition

2026-09-29

0

PRE

AI

DOI：10.1109/tci.2026.3738095

原文链接

原文求助

摘要

En 中文

材料分解使能能谱CT区分和量化不同材料，作为若干临床重要应用的基础。然而，材料分解过程固有地放大噪声，严重降低材料基图像的质量。尽管深度学习方法已展现出有前景的结果，但大多数方法依赖于高质量配对训练数据，这限制了其实际临床部署。为解决此挑战，我们提出U-STAR，一种两阶段无监督结构-纹理自适应精化框架，用于图像域材料分解。在第一阶段，我们设计了一种结构先验引导网络，利用从基变换中获得的低噪声结构先验作为可靠指导，从而促进稳定的无监督去噪。为缓解纹理退化，我们进一步采用带有梯度一致性损失的对抗学习来恢复真实纹理和精细解剖细节。在第二阶段，我们引入测试时间适应策略以改善泛化能力。这种自监督机制通过在正负噪声扰动下强制输出一致性来进一步抑制噪声，实现零样本、实例特定的适应。同时，在微调过程中融入材料分解约束以保持物理保真度。在临床双能量CT（DECT）数据和模拟计数CT（PCCT）数据上的实验表明，所提方法在噪声抑制和结构保持方面具有优越性能，以及其强鲁棒性，突显其在临床材料分解应用中的潜力。

Keyword:

Spectral CT

material decomposition

denoising

deep learning

unsupervised learning

U-STAR: Unsupervised Structure-Texture Adaptive Refinement Framework for Material Decomposition

摘要

期刊

机构

引用论文