周 昊，曾 栋，边兆英，马建华

1南方医科大学生物医学工程学院，广东 广州 510515；2琶洲实验室（黄埔），广东 广州 510515

CT作为一种非侵入性的医学成像方式可以反映人体的内部特征［1］。CT图像有着超过2000个灰阶的灰度范围，又可称为高动态范围（HDR）图像［2］。而人类仅能分辨720个灰度变化［3］，同时医用显示器只能呈现900多个灰度变化，对于CT图像都是远远不足的［4］。为了更好地观察特定组织，临床上往往需要多次切换窗宽窗位［5］，其根本原因在于CT图像的HDR属性限制了医生从图像整体进行诊断［6］。但是已有的动态范围压缩方法或是不能同时为多个组织选择合适的对比度［7-11］或是图像表现不一定符合临床专家的诊断习惯［12］。针对不同组织自适应进行对比度增强的技术方法尚不完善，而本研究通过深度学习技术，以医生熟悉的组织对比度指导图像增强过程，从而感知性地为多组织器官同时进行对比度增强。

另一方面，脏器分割是智能化医疗中的关键任务［13］。随着深度学习的兴起，以U-Net为代表［14-17］的深度学习方法取得了比传统方法更优异的性能表现，从而成为了器官分割任务中的主流研究方向［18,19］。但临床硬件条件始终是限制复杂网络模型部署应用的问题之一。有研究通过直方图均值化等方法增强CT图像进而提高分割精度［20］，证明了此类对比度增强方法于图像分割的应用价值。类似地，通过T-ACEnet，CT图像组织间的对比度得到增强从而可以在不改变网络结构的条件下提高分割精度，减少硬件负担，也证明了T-ACE图像的潜在应用价值。……