CAPRI-CT

CAPRI-CT数据集由英国埃克塞特大学计算机科学系的研究团队创建，包含3092张CT图像，用于研究图像质量优化。数据集包括一个定制的Perspex体模，包含169个不同直径的圆柱孔，使用Biograph Somatom Edge 128 CT扫描仪进行扫描，采集参数包括管电压、管电流、旋转时间、螺距因子等。图像重建使用512x512矩阵，并计算了信噪比（SNR）。数据集用于训练一个因果感知的深度学习框架，预测和解释CT图像中的SNR值，帮助放射科医生和技术人员设计更高效的CT协议。

The CAPRI-CT dataset was created by a research team from the Department of Computer Science, University of Exeter, United Kingdom. It contains 3092 CT images for research on image quality optimization. The dataset includes a custom Perspex phantom with 169 cylindrical holes of varying diameters, which was scanned using a Biograph Somatom Edge 128 CT scanner. The acquisition parameters include tube voltage, tube current, rotation time, pitch factor and others. Images were reconstructed with a 512×512 matrix, and the signal-to-noise ratio (SNR) was calculated. This dataset is used to train a causality-aware deep learning framework to predict and interpret SNR values in CT images, helping radiologists and technicians design more efficient CT protocols.

原始信息汇总

CapriCT数据集概述

数据集目的

• 构建基于CT体模图像数据的因果感知SNR预测模型。
• 将采集参数（电压、时间、对比剂）作为结构化元数据整合。
• 通过消融和干预评估各变量对SNR的影响。
• 模拟do()操作以解释对SNR的因果效应。

数据集内容

• 包含用于预测CT体模图像**信噪比(SNR)**的模型与代码。
• 采用**变分自编码器(VAEs)**作为基础模型。
• 支持消融测试以评估不同采集元数据的贡献。

关键技术特征

• 基于因果表示学习方法的SNR预测。
• 支持的元数据类型：voltage、time、contrast agent。

搜集汇总

数据集介绍

构建方式

CAPRI-CT数据集的构建基于一种创新的因果感知深度学习框架，旨在优化计算机断层扫描（CT）中的图像质量。数据集包含3,092张CT图像，这些图像是通过在定制设计的Perspex体模上使用不同浓度的铋纳米颗粒和碘进行扫描获得的。扫描参数包括管电压（80-140kVp）、管电流（215和430mAs）、旋转时间（1.0s）和螺距因子（0.35-1.5），所有图像均以512×512矩阵重建。信号噪声比（SNR）通过ImageJ计算，作为图像质量的关键指标。

特点

CAPRI-CT数据集的特点在于其深度集成了图像数据与采集元数据（如管电压、管电流和对比剂类型），以建模影响图像质量的潜在因果关系。数据集不仅支持传统的图像质量评估，还通过变分自编码器（VAEs）提取特征并生成因果表示，从而支持反事实推理和“假设”模拟。这种设计使得数据集在预测SNR的同时，能够提供可解释的因果分析，帮助优化CT扫描协议。

使用方法

CAPRI-CT数据集的使用方法包括两个主要阶段：因果发现和因果学习。在因果发现阶段，通过定义相关变量和构建因果有向无环图（DAG）来建模参数间的因果关系。在因果学习阶段，采用VAE架构和集成学习方法训练模型，以预测SNR并进行干预和反事实推理。用户可以通过修改输入参数（如管电压或对比剂类型）来模拟不同扫描条件下的图像质量，从而在实际应用中优化CT协议。数据集和源代码已公开，便于研究社区进一步探索和应用。

背景与挑战

背景概述

CAPRI-CT数据集由英国埃克塞特大学计算机科学系与健康护理专业团队于2025年联合发布，旨在解决计算机断层扫描（CT）成像中辐射剂量与图像质量优化的核心矛盾。该数据集创新性地整合了3,092组含铋纳米颗粒和碘对比剂的Perspex体模CT图像，通过系统调控管电压（80-140kVp）、管电流（215-430mAs）等12种采集参数，构建了首个支持因果推理的CT图像质量分析基准。其首创的变分自编码器-因果图融合框架，突破了传统深度学习模型在医学影像参数优化中缺乏可解释性的瓶颈，为放射科医师提供了可模拟"假设干预"的决策支持工具，显著推动了《Medical Image Analysis》等顶刊关于因果机器学习在影像协议优化领域的研究进程。

当前挑战

该数据集面临双重技术挑战：在领域问题层面，需解决CT成像中非线性参数交互（如对比剂浓度与管电压的协同效应）对信噪比（SNR）的复杂影响，传统黑箱模型难以解析其因果机制；在构建过程中，体模扫描需精确控制169个圆柱孔洞的HU值稳定性，而多参数组合导致的数据维度爆炸（12^5种可能配置）迫使研究者采用分层采样策略。此外，潜在混杂因素（如扫描仪漂移、体模材料老化）的干扰，要求开发新型的深度结构因果模型来实现反事实推理的数学可辨识性。

常用场景

经典使用场景

在医学影像领域，CAPRI-CT数据集主要用于研究计算机断层扫描（CT）图像质量的优化问题。该数据集通过整合CT图像和采集元数据（如管电压、管电流和造影剂类型），为研究人员提供了一个全面的实验平台，用于探索不同成像参数对信噪比（SNR）的影响。其经典使用场景包括通过因果分析和预测推理，模拟不同成像参数组合下的图像质量变化，从而帮助优化CT扫描协议。

衍生相关工作

CAPRI-CT数据集衍生了一系列经典研究工作。例如，基于该数据集的因果机器学习框架被扩展到其他医学影像质量指标的研究，如对比噪声比和图像锐度。此外，该数据集的因果分析方法还被应用于肿瘤分割和疾病检测任务，进一步推动了医学影像领域的因果推理研究。这些衍生工作不仅验证了CAPRI-CT数据集的广泛适用性，也为医学影像的智能化发展提供了新的研究方向。

数据集最近研究

最新研究方向

在医学影像领域，CAPRI-CT数据集的最新研究方向聚焦于利用因果机器学习优化计算机断层扫描（CT）图像质量。该数据集通过整合CT图像与采集元数据（如管电压、管电流和造影剂类型），构建了一个因果感知的深度学习框架，旨在揭示影响图像质量的潜在因果关系。前沿研究重点包括利用变分自编码器（VAEs）提取特征并生成因果表示，以预测信噪比（SNR）并支持反事实推理。这一方向不仅推动了CT协议设计的智能化，还为减少重复扫描和辐射暴露提供了新思路，具有重要的临床意义和应用价值。

相关研究论文

• CAPRI-CT: Causal Analysis and Predictive Reasoning for Image Quality Optimization in Computed Tomography

  英国埃克塞特大学计算机科学系 · 2025年