利用图像编辑基础模型实现数据高效的 CT 金属伪影减少

高衰减植入物产生的金属伪影严重降低了 CT 图像质量，模糊了关键的解剖结构，并对需要大量配对训练数据的标准深度学习方法提出了挑战。我们提出了一种范式转变：通过参数高效的低秩适应（LoRA）来适应通用视觉语言扩散基础模型，将伪影减少重新定义为上下文推理任务。通过利用丰富的视觉先验，我们的方法只需 16 到 128 个配对训练示例即可实现有效的伪影抑制，从而将数据需求减少两个数量级。至关重要的是，我们证明了领域适应对于缓解幻觉至关重要；如果没有它，基础模型会将条纹伪影解释为错误的自然物体（例如华夫饼或培养皿）。为了基础恢复，我们提出了一种多参考调节策略，其中与损坏的输入一起提供来自不相关主题的干净的解剖样本，使模型能够利用特定于类别的上下文来推断未损坏的解剖结构。对 AAPM CT-MAR 基准的广泛评估表明，我们的方法在感知和放射特征指标上实现了最先进的性能。这项工作表明，基础模型在适当调整后，可以为可解释的、数据高效的医学图像重建提供可扩展的替代方案。代码可在 https://github.com/ahmetemirdagi/CT-EditMAR 获取。