原创力文档- 1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
- 2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
·844·doi10.12122/j.issn.1673-4254.2025.04.20JSouthMedUniv,2025,45(4):844-852
基于中心指导与交替优化的低剂量基于中心指导与交替优化的低剂量CT图像恢复方法图像恢复方法
张晓瑜，王昊，曾栋，边兆英
南方医科大学生物医学工程学院//广东省医学图像处理重点实验室，广东广州510515
摘要：目的提出一种基于中心指导与交替优化的低剂量CT图像恢复方法（FedGP）。方法FedGP框架革新了传统的联邦学习
模式，采用无固定中央服务器的结构，每个机构交替担任中心服务器。该方法采用机构调制的CT图像恢复网络作为客户端局
部训练的核心，通过中心指导和交替优化的联邦学习方法，中央服务器利用本地标记数据指导客户端局部网络训练，从而显著
提升多机构低剂量CT图像恢复模型的泛化能力。结果在低管电流和稀疏角度CT图像恢复任务中，与其他对比的联邦学习
方法相比，FedGP方法的CT图像结果在视觉和定量评估上均有明显优势，FedGP获得了最高的PSNR指标（40.25和38.84）、最
高的SSIM指标（0.95和0.92）以及最低的RMSE指标（2.39和2.56）。此外，FedGP的消融实验结果表明基于中心指导与交替优
化的联邦学习框架能更好适应各机构之间的数据异构性，确保模型在各类成像条件下的稳健性和泛化能力。结论本文提出的
FedGP为解决CT成像异质性问题提供了一个更灵活的FL框架，可以更好地适应不同参与方的数据特征，提高模型在多样化成
像几何的泛化能力。
关键词：计算机断层成像；联邦学习；图像恢复；数据异质性
Alow-doseCTimagerestorationmethodbasedoncentralguidanceandalternating
optimization
ZHANGXiaoyu,WANGHao,ZENGDong,BIANZhaoying
SchoolofBiomedicalEngineering,SouthernMedicalUniversity/GuangdongProvincialKeyLaboratoryofMedicalImageProcessing,
Guangzhou510515,China
Abstract:ObjectiveWeproposealow-doseCTimagerestorationmethodbasedoncentralguidanceandalternating
optimization(FedGP).MethodsTheFedGPframeworkrevolutionizesthetraditionalfederatedlearningmodelbyadoptinga
structurewithoutafixedcentralserver,whereeachinstitutionalternativelyservesasthecentralserver.Thismethodusesan
institution-modulatedCTimagerestorationnetworkasthecoreofclient-sidelocaltraining.Throughafederatedlearning
approachofcentralguidanceandalternatingoptimization,thecentralserverleverageslocallabeleddatatoguideclient-side
networktrainingtoenhancethegeneralizationcapabilityoftheCTimagingmodelacrossmultipleinstitution
文档评论（0）