基于生成式AI的 3D PCCT 去噪算法研发：6个月工作计划

目标： 完成企业与医院的入职流程，熟悉研发环境，完成数据清洗与经典深度学习 Baseline 的初步验证。

第1-2周：入职与环境熟悉
- 完成西门子医疗中国及北京协和医院的入职手续与安全/合规培训。
- 熟悉协和医院放射科驻场工作环境，获取联合实验室高性能计算集群（8卡A100）的访问权限及环境配置。
- 与院方医生及西门子/FAU导师对齐项目最终预期，确认数据安全规范。
第3-4周：数据处理与基础 Baseline
- 对 400 份 3D PCCT 数据（200例配对）进行清洗、预处理及标准化（划分训练集/验证集/测试集，后续创新算法按无配对设定处理）。
- 跑通前几年经典的 3D CT 去噪深度学习网络（如 3D U-Net、RED-CNN 等），获取基础定量指标，熟悉 3D 数据的 I/O 与显存管理。

目标： 建立公平且极具竞争力的无配对生成式 Baseline，确立评估标准。

第1-3周：公平性控制下的 CycleGAN 训练
- 搭建 3D CycleGAN 架构。严格控制变量：确保 CycleGAN 的 Generator 与后续创新方法的 Encoder/Decoder 采用相同深度的 3D U-Net 主干网络。
- 对齐超参数：使用相同的 3D patch size、batch size，并在无配对（unpaired）的数据划分下进行训练。
第4周：多维度指标评估系统构建
- 像素级： PSNR/SSIM（明确其倾向于平滑结果的特性）。
- 感知级： LPIPS（检验结构细节是否丢失）。
- 临床级： HU 偏差统计（测量肝脏、肌肉等特定组织的 CT 值分布是否与真实正常剂量一致，排查系统性偏移）。
- 结构级： 轴向一致性分数（测量相邻 slice 间的结构连续性）。

目标： 解决 3D 数据显存瓶颈，构建高质量的解剖感知潜空间（Latent Space）。

第1-2周：3D Latent Autoencoder 训练
- 构建并训练 3D 编码器 $E(\cdot)$ 和解码器 $D(\cdot)$。
- 使用自编码重建损失 $$\mathcal{L}_{\mathrm{AE}} = |D(E(u))-u|1 + \beta,\mathcal{L}{\mathrm{perc}}$$，确保 latent 空间足够紧凑且保留解剖信息。
第3-4周：潜空间分布定义与 Conditional Diffusion 探索
- 将低剂量（LD）和正常剂量（ND）数据映射至潜空间，获得潜分布 $\nu_{\mathrm{LD}} = E_{}\mu_{\mathrm{LD}}$ 与 $\nu_{\mathrm{ND}} = E_{}\mu_{\mathrm{ND}}$。
- 初步运行基础的 Latent Conditional Diffusion 模型作为对照，分析其在“条件生成”而非“精准恢复”上的局限性，为后续薛定谔桥（SB）方法提供反面论证。

目标： 抛弃全局无条件桥，实现以低剂量输入为中心的 3D 潜空间薛定谔桥。

第1-2周：参考过程与桥的定义
- 对每个输入低剂量体 $y$，编码得到 $z_0 = E(y)$。
- 定义一个以 $z_0$ 为中心的 input-centered Ornstein–Uhlenbeck 参考过程： $$dZ_t = -\lambda(t)(Z_t-z_0),dt + \sigma(t,y),dW_t$$
第3-4周：最优化桥接与主损失函数实现
- 在满足起点为 $z_0$、终点边缘为 $\nu_{\mathrm{ND}}$ 的路径分布中，求解最优桥 $Q^{z_0,*} = \arg\min_{Q^{z_0}} \mathrm{KL}(Q^{z_0},|,P^{z_0})$。
- 实现并调试薛定谔桥主损失 $\mathcal{L}_{\mathrm{SB}}$，确保桥能够正确连接起始与目标分布，同时局部轨迹贴近参考过程，实现“保结构”的天然动力学约束。

目标： 融入 Noise2Flow 核心思想，利用软耦合提取平均恢复方向，完成模型调优与蒸馏。

第1-2周：基于分布几何的平均恢复方向提取
- 在一个 batch 内，计算 LD 潜点 $z_i^{\mathrm{LD}}$ 与 ND 潜点 $z_j^{\mathrm{ND}}$ 之间的代价矩阵 $c_{ij} = |z_i^{\mathrm{LD}} - z_j^{\mathrm{ND}}|^2$。
- 利用 Sinkhorn/OT 算法计算软耦合矩阵 $\pi_{ij}$，提取 Barycentric target： $$\bar{z}i^{\mathrm{ND}} = \frac{\sum_j \pi{ij} z_j^{\mathrm{ND}}}{\sum_j \pi_{ij}}$$
- 计算出分布诱导的平均恢复方向：$d_i = \bar{z}_i^{\mathrm{ND}} - z_i^{\mathrm{LD}}$。
第3周：方向损失融合与联合训练
- 引入方向损失 $$\mathcal{L}{\mathrm{dir}} = 1- \frac{ \langle \bar{v}\theta(z_i^{\mathrm{LD}}), d_i\rangle }{ |\bar{v}_\theta(z_i^{\mathrm{LD}})|, |d_i| }$$ ，约束桥的 drift 早期方向。
- 组合总损失 $$\mathcal{L} = \mathcal{L}{\mathrm{AE}} + \lambda{\mathrm{SB}}\mathcal{L}{\mathrm{SB}} + \lambda{\mathrm{dir}}\mathcal{L}{\mathrm{dir}} + \lambda{\mathrm{tube}}\mathcal{L}_{\mathrm{tube}}$$ 进行全链路联合训练。
第4周：模型蒸馏（可选 / 进阶）
- 探索将训练期间学到的复杂桥演化压缩为 few-step 或 one-step 映射（$\hat{z} = F_\phi(z_0)$），提升测试与未来临床部署的推理效率。

目标： 全面收尾项目，固化研究成果，完成企业及学校的结题与交接。

第1-2周：最终验证与多维度对比分析
- 将创新方法（Observation-centered SB + Barycentric Direction）与前期的经典 DL Baseline、3D CycleGAN 进行全面对比。
- 汇总 PSNR、LPIPS、HU 偏差、轴向一致性等定量结果，并与协和医院放射科医师进行定性（视觉效果、病灶保留度）交流反馈。
第3周：论文撰写与答辩准备
- 整理实验数据，绘制图表，撰写实习/项目总结报告，以及为 FAU Pattern Recognition Lab 的项目论文做准备。
第4周：工作交接与离职
- 整理代码仓库，完善注释与运行文档（Readme），确保西门子医疗及协和医院的后续跟进人员能够顺利复现。
- 归还企业与医院资产，注销系统权限，完成西门子医疗的正式离职流程与实习鉴定。

More from this blog