UniSino: Physics-Driven Foundational Model for Universal CT Sinogram Standardization

📄 arXiv: 2508.17816v1 📥 PDF

作者: Xingyu Ai, Shaoyu Wang, Zhiyuan Jia, Ao Xu, Hongming Shan, Jianhua Ma, Qiegen Liu

分类: cs.CV, cs.AI

发布日期: 2025-08-25

🔗 代码/项目: GITHUB

💡 一句话要点

提出UniSino以解决CT成像中标准化问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: CT成像 sinogram标准化 深度学习 图像重建 医疗影像处理 模型泛化 物理驱动模型

📋 核心要点

  1. 现有的CT成像修正方法缺乏对多种伪影类型的广泛适应性，导致重建图像质量下降。
  2. UniSino模型通过在投影域直接标准化sinogram数据，增强了对不同欠采样场景的泛化能力。
  3. 实验结果显示，UniSino在多个基准数据集上均实现了优越的重建质量，展现出强大的鲁棒性。

📝 摘要（中文）

在CT成像的原始数据采集过程中，各种因素可能导致收集的sinogram质量下降，尤其是欠采样和噪声会严重影响重建图像的质量，从而影响诊断准确性。传统的修正方法依赖于手动设计的算法或固定的经验参数，缺乏对不同类型伪影的广泛适应性。为了解决这些问题，本文提出了UniSino，一个用于CT sinogram标准化的基础模型。与现有的图像域基础模型不同，UniSino直接在投影域进行数据标准化，从而在不同的欠采样场景中实现更强的泛化能力。实验结果表明，UniSino在单一和混合欠采样情况下均实现了优越的重建质量，展现出卓越的鲁棒性和泛化能力。

🔬 方法详解

问题定义：本文旨在解决CT成像中由于欠采样和噪声导致的sinogram质量下降问题。现有方法往往依赖于手动设计的算法，缺乏对多种伪影类型的适应性，导致重建图像质量不理想。

核心思路：UniSino的核心思路是直接在投影域对sinogram数据进行标准化，而不是在图像域进行处理。这种设计使得模型能够更好地适应不同的欠采样场景，从而提高泛化能力。

技术框架：UniSino的整体架构包括数据预处理、模型训练和后处理三个主要阶段。模型训练过程中，结合了sinogram的物理特性，以增强模型的泛化能力。

关键创新：UniSino的最大创新在于其在投影域进行数据标准化的能力，这与传统方法在图像域处理的方式有本质区别。通过直接处理原始数据，UniSino能够更有效地应对不同类型的伪影。

关键设计：在模型设计中，UniSino采用了特定的损失函数来优化重建质量，并通过调整网络结构来适应不同的欠采样情况。具体的参数设置和网络结构细节在实验部分进行了详细说明。

📊 实验亮点

实验结果表明，UniSino在单一和混合欠采样情况下的重建质量显著优于传统方法，尤其在多个基准数据集上，重建图像的PSNR和SSIM指标均有显著提升，展示了模型的卓越性能和鲁棒性。

🎯 应用场景

该研究的潜在应用领域包括医疗影像处理、CT扫描优化和图像重建技术。通过提高CT成像的重建质量，UniSino能够为临床诊断提供更准确的支持，未来可能在医疗影像领域产生深远影响。

📄 摘要（原文）

During raw-data acquisition in CT imaging, diverse factors can degrade the collected sinograms, with undersampling and noise leading to severe artifacts and noise in reconstructed images and compromising diagnostic accuracy. Conventional correction methods rely on manually designed algorithms or fixed empirical parameters, but these approaches often lack generalizability across heterogeneous artifact types. To address these limitations, we propose UniSino, a foundation model for universal CT sinogram standardization. Unlike existing foundational models that operate in image domain, UniSino directly standardizes data in the projection domain, which enables stronger generalization across diverse undersampling scenarios. Its training framework incorporates the physical characteristics of sinograms, enhancing generalization and enabling robust performance across multiple subtasks spanning four benchmark datasets. Experimental results demonstrate thatUniSino achieves superior reconstruction quality both single and mixed undersampling case, demonstrating exceptional robustness and generalization in sinogram enhancement for CT imaging. The code is available at: https://github.com/yqx7150/UniSino.