东南大学仪器科学与工程学院葛荣骏副教授在《自然·通讯》发表CT成像基础模型最新成果

近日，东南大学仪器科学与工程学院葛荣骏副教授作为第一作者在国际权威学术期刊《Nature Communications》（《自然·通讯》）发表题为“Imaging foundation model for universal enhancement of non-ideal measurement CT”的研究论文，提出面向非理想测量CT通用增强的成像基础模型TAMP，通过大规模预训练形成可复用的CT成像表征，使单一模型能够覆盖不同测量方式、人体部位和图像退化程度，并可利用少量数据快速适配新型成像场景。

低剂量CT、稀疏角度CT和有限角度CT等非理想测量方式，可降低辐射剂量、提高扫描效率以及适应受限扫描姿态，但也会带来噪声、细节损失和成像伪影。现有智能成像方法多针对特定扫描协议或人体部位分别开发专用模型，当成像条件变化时，往往需要重新收集数据并训练模型，制约了智能成像技术向新协议、新设备和新场景快速延伸。

针对这一问题，该研究构建了“大规模预训练—通用增强—少样本适配”的CT成像基础模型范式。依据CT物理成像过程构建超过1080万组图像对的大规模预训练数据，并通过多尺度表征及图像域-投影域联合学习，使模型能够学习不同非理想测量条件下具有共性的解剖结构与物理退化规律。在覆盖不同非理想测量方式、人体部位和退化程度的27项CT图像增强评估任务中，TAMP在无需针对不同成像条件重新训练的情况下，对低剂量、稀疏角度和有限角度CT均表现出稳定的图像质量改善能力，并在不同解剖区域和退化水平间保持良好的泛化性能；面向不断扩展的扫描协议及数据稀缺的临床应用场景，仅利用5张CT切片即可实现高效迁移，体现出基础模型对新型CT成像需求的快速延展能力。

该研究探索了由“一类任务一个专用模型”向“一个基础模型支撑多类CT成像任务”转变的智能成像模式，有望降低新扫描协议和新型CT设备中智能模型的数据、训练及开发成本，为构建可泛化、可快速适配的CT成像基础模型提供新的技术路径。

文章链接：https://www.nature.com/articles/s41467-026-73943-y