近日，医学与生物信息工程学院在医学影像生成领域取得新进展，研究成果以“Benchmarking AI-generated thin-slice CT under clinical reconstruction conditions: a multicohort study”为题，发表于Nature Portfolio旗下数字医学领域国际学术期刊npj Digital Medicine。东北大学医学与生物信息工程学院为第一署名单位，博士生于朋鑫为第一作者，医工学院齐守良教授、宁夏医科大学总医院杨晓燕副教授和沈阳医学院吴玉东教授为共同通讯作者。

计算机断层扫描（CT）是临床疾病诊断与评估的重要影像手段。在部分临床场景中，受扫描与重建方案、数据存储及临床工作流程等因素影响，往往仅能获得或保留厚层重建CT图像。与薄层CT相比，厚层CT在层间方向（z轴方向）的空间分辨率较低，并易受到部分容积效应影响，从而限制微小解剖结构的精细显示。近年来，基于人工智能的CT切片合成技术（CT slice synthesis，CSS）尝试从厚层CT生成虚拟薄层CT，为在真实薄层CT不可获得的情况下补充精细影像信息提供了新的技术途径。

然而，现有研究多采用人工降采样获得的伪配对数据进行模型训练和评价，与临床中由原始扫描数据直接重建获得的真实厚层CT存在差异，因此模型在真实临床重建条件下的性能及应用价值仍缺乏系统验证。针对这一问题，齐守良教授团队构建了大规模多比例真实配对胸部CT数据集MSS-CT，包含3 mm至1 mm和5 mm至1 mm两种切片合成任务，共计2000组由相同原始扫描数据重建获得的真实配对CT影像数据；同时提出参考模型BasicCSS，并在多队列条件下对多种代表性CT切片合成方法进行了系统评价。

研究结果表明，与基于人工模拟伪配对数据训练的模型相比，基于真实临床重建配对数据训练能够显著提升CT切片合成性能。BasicCSS生成的1 mm薄层CT在图像质量、解剖结构保持以及影像组学特征一致性分析中均表现出良好性能。放射科医师读片实验进一步表明，在原始厚层CT基础上增加人工智能生成的薄层CT作为辅助影像，可为临床阅片提供有价值的补充信息。该研究为人工智能驱动的CT切片合成方法在真实临床重建条件下的标准化评价提供了数据和方法基础，并为人工智能生成医学影像的真实性评价、标准化验证及临床应用探索提供了重要参考。

原文链接：

https://www.nature.com/articles/s41746-026-03253-6