# 衰减校正

多针孔SPECT的灵敏度高，但投影重叠与衰减、散射、量子噪声、孔径效应叠加在一起，通常还要靠X射线CT导出的衰减系数图做校正。一种基于U-Net++的卷积神经网络以蒙特卡罗模拟的重叠投影为输入、以无重叠无衰减的理想投影为目标，同时完成投影分离与多因素校正，再用最大似然期望最大化重建。在60例公开脑图像数据上，准静态采集下该方法的NMSE为0.18±0.02、PSNR为18.42±0.69 dB、SSIM为0.81±0.04，优于11针孔重建与采集时间长20倍的扇束重建。

多针孔SPECT的灵敏度高，但投影重叠与衰减、散射、量子噪声、孔径效应叠加在一起，通常还要靠X射线CT导出的衰减系数图做校正。一种基于U-Net++的卷积神经网络以蒙特卡罗模拟的重叠投影为输入、以无重叠无衰减的理想投影为目标，同时完成投影分离与多因素校正，再用最大似然期望最大化重建。在60例公开脑图像数据上，准静态采集下该方法的NMSE为0.18±0.02、PSNR为18.42±0.69 dB、SSIM为0.81±0.04，优于11针孔重建与采集时间长20倍的扇束重建。

该工作构建了一个冻结、内容哈希的数据资产与统一评分框架，将七个MaveDB饱和基因组编辑（SGE）评分集映射到GRCh38并方向统一后冻结为不可变矩阵，对十九个变异效应预测器在十六个分层上进行逐基因Spearman ρ的DerSimonian–Laird随机效应荟萃分析，并加入逐层测量可靠性估计、衰减校正、配对相关检验与留一基因验证，覆盖64,178个变异与七个癌症易感基因。

该工作构建了一个冻结、内容哈希的数据资产与统一评分框架，将七个MaveDB饱和基因组编辑（SGE）评分集映射到GRCh38并方向统一后冻结为不可变矩阵，对十九个变异效应预测器在十六个分层上进行逐基因Spearman ρ的DerSimonian–Laird随机效应荟萃分析，并加入逐层测量可靠性估计、衰减校正、配对相关检验与留一基因验证，覆盖64,178个变异与七个癌症易感基因。