深度重建是目前前沿的CT成像领域，它充分利用了“深度学习+大数据+并行计算”实现了高质量、低辐射和高速度重建。在公开仿真的AAPM（美国医学物理协会）数据集上，深度学习成像方法的性能在不断取得突破的同时也在日趋饱和，其发展正逐渐面临来自真实临床成像场景应用的挑战。考虑到深度学习方法是一种数据驱动的方法，其非常依赖于训练数据与测试数据特征分布的一致性，然而，现有网络模型的构建多基于仿真的公开数据集，其噪声水平和特征分布相对单一，与复杂的临床场景相差较大，故采用仿真数据训练的模型，很难泛化到真实的临床应用。
为解决上述的域泛化成像问题，针对不同数据间的语义和噪声分布呈现的互补特性，苏州医工所医学影像室杨晓冬课题组团队设计了基于互补学习和迁移学习的网络框架，如图1所示，将无监督的图像合成任务转化为两阶段的有监督的子训练任务，实现高质量的临床数据合成。
利用合成的图像数据开展真实临床场景的域泛化成像实验，所提的方法可以大幅度提升现有深度学习方法在目标域的成像表现，进而验证了开展域泛化成像的必要性与可行性，具体结果如图2和表1所示。该项工作的实现有望突破现有深度重建方法的局限性，为深度跨域成像问题的解决提供新思路，可支撑面向真实临床应用的跨域成像问题，同时也可以解决不同厂商的设备之间和同一厂商不同型号的设备之间的跨域成像问题。
相关的理论成果发表于生物医学成像领域顶级期刊IEEE Transactions on Medical Imaging (中国科学院一区TOP IF=11.037)。
论文链接：https://ieeexplore.ieee.org/document/10081080
