Research

欠采样 CT 影像重建

Undersampling CT Reconstruction

欠采样CT重建（Undersampled CT Reconstruction）技术是现代医学成像领域的一项重要进展，旨在解决传统CT扫描中辐射剂量高、扫描时间长和设备成本高等问题。它通过稀疏视角CT（sparse view CT, SVCT）和有限角度CT（limited angle CT, LACT）两种方式，在保证图像质量的前提下大幅减少X射线投影数据的采集量。这不仅能显著降低患者的辐射暴露，还能缩短扫描时间，提高诊断效率。然而，减少数据量也带来了挑战，最突出的是重建图像中出现的伪影（artifacts），如条纹伪影，这些都可能影响诊断的准确性。此外，从不完整数据重建高质量图像是一个病态逆问题（ill-posed inverse problem），对算法的鲁棒性和泛化能力提出了很高要求。尽管研究人员已经设计了许多先进的重建方法，包括基于数学模型的迭代重建算法和基于深度学习的方法，但这些方法仍然可能受限于对大量成对数据的需求，或者在数据一致性保证方面存在不足。为此，我们课题组正基于隐式神经表达（Implicit Neural Representation, INR）和扩散模型（diffusion models）等前沿技术，进行了一系列探索，以期在欠采样CT重建领域取得新的突破。

Related Work

[INR] Qing Wu, et al. “Self-supervised coordinate projection network for sparse-view computed tomography.” IEEE TCI (2023).
[PnP+INR] Xuanyu Tian, et al. “Unsupervised Self-Prior Embedding Neural Representation for Iterative Sparse-View CT Reconstruction.” AAAI 2025 (2025).
[PnP+INR+扩散模型] Chenhe Du, et al. “DPER: Diffusion Prior Driven Neural Representation for Limited Angle and Sparse View CT Reconstruction.” arXiv (2024).
[MRI加速] Ruimin Femh, et al. “IMJENSE: scan-specific implicit representation for joint coil sensitivity and image estimation in parallel MRI.” IEEE TMI (2023).
[双平面X光重建] Shuyang Lai, et al. “Reconstructing Knee CT volumes from Biplanar X-rays via Self-supervised Neural Field” IEEE ISBI (2024).
[CT自校准] Qing Wu, et al. “Joint rigid motion correction and sparse-view ct via self-calibrating neural field.” IEEE ISBI (2023).

CT 影像金属伪影去除

CT Metal Artifact Reduction

医学场景中，受试者体内常常包含各类金属植入物（如不锈钢牙套、镍钛合金心脏支架）。这些金属植入物会导致重建的 CT 图像可能会出现严重的放射状伪影。这些伪影是由金属对 X 射线束的吸收率在不同能量下的剧烈变化引起的，从而在 CT 原始采集数据中产生了明显的非线性射束硬化效应。大多数现有的金属伪影去除技术假设吸收率与能量无关，并生成虚拟单色阶的 CT 图像。然而，这忽略了能量相关的射束硬化效应，因此重建质量有限。我们提出了 Polyner 等一系列基于 NeRF 的无监督多色阶 CT 图像重建算法，用于从原始被金属污染的采集数据中生成高质量 CT 图像。

Related Work

[金属伪影去除] Wu, Qing, et al. “Unsupervised polychromatic neural representation for ct metal artifact reduction.” NeurIPS (2024).
[金属伪影去除] Wu, Qing, et al. “Unsupervised Density Neural Representation for CT Metal Artifact Reduction.” arXiv preprint arXiv:2405.07047 (2024).

自监督三维各向同性胎儿脑部 MRI 重建

Robust self-supervised 3D isotropic fetal brain MRI reconstruction

在磁共振成像采集过程中，胎儿不可避免的运动会导致结构连续性的丧失和容积信息的破坏，因此从多个二维切片重建高质量的胎儿大脑三维容积具有挑战性。从多个运动破坏的二维切片重建高质量的胎儿大脑三维容积，可以准确诊断和全面评估胎儿大脑发育情况，并有可能指导干预措施，优化神经发育结果。我们基于 INR 提出了一系列自监督胎儿脑部 MRI 重建算法，通过在网络优化过程中结合物理模型，实现了高质量的脑部 MRI 重建。

Related Work

[脑三维重建] Jiangjie Wu, et al. “ASSURED: A Self-supervised Deep Decoder Network for Fetus Brain MRI Reconstruction.” IEEE ISBI (2023).
[脑三维重建] Jiangjie Wu, et al. “SUFFICIENT: A scan-specific unsupervised deep learning framework for high-resolution 3D isotropic fetal brain MRI reconstruction.” under review (2023).
[Mamba] Jiangjie Wu, et al. “SVRMamba: Slice-to-Volume Reconstruction from Multiple MRI Stacks with Slice Sequence Guided Mamba.” AAAI 2025 (2025).

零样本学习图像去噪

Zero-shot Learning for Image Denoising

在生物医学图像采集过程中，成像系统很容易受到噪声的影响，使得采集高 SNR 图像变得不切实际。将监督去噪方法应用于生物医学图像去噪具有挑战性。我们尝试开发一种自监督图像去噪框架，用于没有干净图像或多个噪声观测值的生物医学图像，其性能优于最先进的基于盲点网络的自监督去噪方法。

Related Work

[荧光成像去噪] Tian, Xuanyu, et al. “Noise2SR: learning to denoise from super-resolved single noisy fluorescence image.” MICCAI (2022).
[多维MRI去噪] Jiang, Changhao, et al. “Self-Supervised High-Dimentional Magnetic Resonance Image Denoising Using Super-Resolved Single Noisy Image.” IEEE ISBI (2022).
[电镜图像去噪] Tian, Xuanyu, et al. “Zero-Shot Image Denoising for High-Resolution Electron Microscopy.” IEEE TCI (2024).

医学图像引导的人体参数模型构建

Medical image guided human body parametric model construction

近年来，由于三维人脸建模在数字人类、角色生成和动画中的广泛应用，人们对它的兴趣与日俱增。现有的方法绝大多数都强调对人脸的外部形状、纹理和皮肤属性进行建模，而忽略了内部骨骼结构与外观之间的内在联系。CT 和 MRI 等医学影像可以提供解剖信息，从而将解剖先验信息和生物力学信息整合到参数模型中。这些模型可广泛应用于个性化医疗、骨骼感知特征融合、具有脂肪水平变化和面部动画的面部生成、手术模拟、基于虚拟现实的培训和治疗规划，最终改善患者的治疗效果，促进医疗保健的发展。

Related Work

[头部参数化模型] Zesong Qiu, et al. “SCULPTOR: Skeleton-consistent face creation using a learned parametric generator.” SIGGRAPH Asia (2022).
[手部参数化模型] Yuwei Li, et al. “NIMBLE: A Non-rigid Hand Model with Bones and Muscles.” SIGGRAPH (2022).
[参数化模型+神经网络] Jiawen Yang, et al. “Blending Parametric Model and Neural Refinement: A Coarse-to-Fine Approach for Predicting Facial Changes in Orthognathic Surgery.” ISBI 2025 (2025).

高分辨率多时间点定向成像脑图谱构建

Longitudinal brain atlas construction

纵向脑图谱是研究大脑发育的重要工具。然而，由于典型的图谱构建方法是对离散时间点的大脑图像进行独立平均，因此现有图谱往往存在时间不一致的问题。此外，不同时间点的样本在遗传趋势上的差异也进一步加剧了这一问题。这些不一致性可能会严重影响大脑发育特征分析的准确性。我们提出了一种多阶段深度学习框架来解决这一问题，将其视为一项四维图像去噪任务，其中四维数据包括三维脑容量和一维年龄。我们的框架采用隐式神经表征来构建连续、无噪声的纵向脑图谱，作为 4D 时空坐标的函数，可用于生成空间和时间分辨率更高的 4D 图谱集。

Related Work

Jiangjie Wu, et al. “Age-specific structural fetal brain atlases construction and cortical development quantification for chinese population.” NeuroImage (2021).
Lixuan Chen, et al. “Continuous longitudinal fetus brain atlas construction via implicit neural representation.” MICCAI workshop PIPPI (2022).
[INR构建Atlas] Lixuan Chen, et al. “COLLATOR: Consistent Spatial-Temporal Longitudinal Atlas Construction via Implicit Neural Representation.” MedIA (2025).