近期，北京大学工学院生物医学工程系任秋实教授课题组在能谱CT多物质分解研究方面取得新进展，医学影像领域顶级期刊IEEE Transactions on Medical Imaging于2020年10月16日以长文（Regular Paper）形式在线发表了他们题为“PMS-GAN: Parallel Multi-Stream Generative Adversarial Network for Multi-Material Decomposition in Spectral Computed Tomography”的研究论文。

CT（Computed Tomography），即X射线电子计算机断层扫描，可以快速无创地获取高分辨的结构信息，为临床提供可靠的诊疗依据，因此在临床诊断中被广泛应用。能谱CT作为一种新型的CT成像方法，借助于光子计数探测器、快速kVp切换等技术，可以获取多个能谱下物质的投影数据，通过物质分解算法计算出物质的电子密度、等效原子序数等信息，从而进行物质识别、实现多物质的成分分解成像。在临床中，对造影剂物质的识别及定量分析有助于研究物体中造影剂物质的分布及其累积程度，对病灶诊断、降低辐射剂量等问题的研究具有重要意义。然而传统的物质分解方法受限于CT系统不可避免的非线性因素的影响：实际应用的X射线大多是连续能谱，对于传统的基物质分解模型来说，当其被引入连续能谱X射线的多色性因素时，物质分解精度往往受到各方面的因素影响而显著降低。

为了实现对更多种基物质的同时分解，北京大学任秋实课题组从图像解缠（disentanglement）的思路出发，提出了一种新型的平行数据流生成对抗网络（Parallel Multi-Stream Generative Adversarial Network, PMS-GAN），减少了深度神经网络在处理多物质分解任务时各子生成器之间的串扰；并设计了一种新型的差分特征信息图（differential map），借助于差分特征使各子生成器之间相互协助，进一步减少非目标基物质的分解残余；此外，研究团队还设计了基于Markovian判别器（PatchGAN）的损失函数，降低了损失函数设计的复杂度。上述工作极大地提高了能谱CT多物质分解的精度。

图1. PMS-GAN结构图。（a）整体框架；（b）当基物质种类为3时的生成器结构图；（c）子生成器G1的网络结构。

研究团队分别利用XCAT数值仿体和类人体躯干实验数据对该深度神经网络进行验证，分别被用于同时分解造影剂Ultravist370、骨头和骨髓，以及活体检验针和类人体躯干。实验结果表明，与同领域的最新方法相比，PMS-GAN无论是在定量指标（结构相似度系数和皮尔逊相关系数）上，还是视觉效果上，均具有极大的性能提升，显著地提升了多物质分解的精度，具备优异的抗噪鲁棒性和泛化性能，展现出良好的临床应用前景。

图2. PMS-GAN及对照方法在XCAT数值仿体数据上的分解结果

论文第一作者为任秋实课题组博士生耿慕峰，北京大学为第一署名单位。该工作主要与德国埃尔朗根纽伦堡大学计算机系模式识别实验室的卢闫晔研究员合作完成。其他合作者还包括德国埃尔朗根纽伦堡大学的Andreas Maier教授和河北大学的杨昆教授。该研究得到了国家自然科学基金（81421004）、深圳科技计划（1210318663）及河北省自然科学基金（H2019201378）的经费支持。

任秋实教授课题组北京大学分子影像实验室（www.milab.wiki）立足于医学影像研究领域，研究内容贯穿分子影像设备研发、活体成像和转化应用、影像数据分析处理的全过程，聚焦于多模态成像技术与人工智能、眼科光学成像和分子影像应用等具体问题。

文章链接：https://doi.org/10.1109/TMI.2020.3031617