血管靶向无监督学习框架Ves-GAN：低剂量冠状动脉CT血管造影去噪技术的突破性进展

针对低剂量冠状动脉CT血管成像(LDCTA)中噪声干扰和血管结构模糊的临床难题，研究团队创新性提出无监督血管靶向去噪框架Ves-GAN。该研究通过高频感知数据增强策略和血管一致性损失函数，在AAPM-Mayo和自建临床数据集上实现PSNR提升7.5%、SSIM提高10.2%，经3名放射科医师验证显著提升血管清晰度，为心血管疾病精准诊断提供可靠技术支持。

　　

在心血管疾病诊断领域，冠状动脉CT血管造影(CTA)因其无创、高分辨率的特点成为临床金标准。然而遵循"合理可行最低剂量"原则的低剂量CTA(LDCTA)面临严峻挑战：辐射剂量降低导致图像噪声增加、血管边缘模糊，可能漏诊血管狭窄和斑块等关键病变。现有解决方案如迭代重建(IR)存在细节丢失缺陷，监督学习依赖配对数据，而传统无监督方法BM3D/N2V等难以平衡去噪效果与血管结构保留。更棘手的是，临床获取配对高低剂量图像存在伦理和技术障碍，这成为制约医学图像质量提升的"卡脖子"难题。

为突破这一瓶颈，北京协和医学院的研究团队在《BMEF (BME Frontiers)》发表创新成果，提出基于循环生成对抗网络(Cycle-GAN)架构的Ves-GAN框架。该研究通过三大技术创新实现突破：首创高频感知数据增强模块模拟复杂噪声环境，设计血管-边缘双路径一致性损失函数，并在生成器中嵌入高频压缩激励(HFSE)模块。关键技术涉及AAPM-Mayo公共数据集和25,281例自建SPCTA-CTA临床数据的对比验证，采用70×70 PatchGAN判别器架构，通过Tenengrad梯度函数和BRISQUE无参考指标进行多维评估。

【结果】

1. 评估结果
   在AAPM-Mayo数据集测试中，Ves-GAN以PSNR 37.81±1.04、SSIM 0.91±0.01显著优于BM3D/N2S等基线模型。特别在Tenengrad锐度指标(43.75±6.29)接近正常剂量CTA(41.98±6.26)，证明其边缘保持能力。

2. 消融研究
   HFSE模块相比传统scSE/CBAM结构使BRISQUE降低至22.86±7.43；血管-边缘联合损失使放射科医师评分达4.7/5分，较单一损失提升约15%。

3. 临床验证
   50例CT扫描的盲法评估显示，Ves-GAN在血管可见性(4.8/5)和结构保存(4.9/5)方面接近标准CTA，显著优于Cycle-GAN(3.6/5)等对照方法。

【讨论与结论】
研究突破性地解决了无监督LDCTA去噪中的"保真度-结构保持"悖论：通过高频特征定向增强机制，Ves-GAN在未使用配对数据情况下，使SPCTA图像质量达到诊断级标准，辐射剂量仅为常规CTA的20%。临床意义在于：① 为动态心肌灌注CT中提取的SPCTA图像提供质量提升方案，避免重复扫描；② 创新性血管约束损失为医学图像翻译任务提供可解释性框架；③ 所提HFSE模块可扩展至其他医学图像处理场景。值得注意的是，模型在Tenengrad指标上的波动(±10.52)反映其对复杂血管拓扑的适应性，这恰是其优于固定滤波算法的本质特征。

这项研究标志着无监督医学图像重建的重要进展，其技术路线为突破医学数据标注瓶颈提供了新范式。未来工作可探索三维卷积扩展和多中心验证，进一步推动技术向临床转化。