TLIR：基于双层迭代细化模型的有限角CT重建

摘要

【目的】有限角度重建是计算机断层扫描（CT）中典型的不适定问题。在实际应用中，受限于固定式扫描目标可供扫描角度有限和患者承受辐射能力等问题，通常无法获得完整的投影数据，通过传统分析迭代方法重建的图像会出现严重的结构失真和倾斜伪影。【方法】针对该问题提出了一种双层迭代细化模型（TLIR）来恢复有限角度CT图像中缺失部分的结构细节，从中重建出高质量的CT图像。具体而言，修改去噪扩散概率模型使之适用于条件图像生成以实现图像域恢复问题，模型输出从噪声混叠的有限角CT图像开始，使用在各种噪声水平下训练的残差U-Net迭代细化输出图像。此外，深度模型在推理过程中会损坏采样部分的正弦数据，对此提出了名为DSEM的可学习模块来恢复被深度模型篡改的正弦数据。将两个模块交替执行，形成双层迭代细化模型。训练和推理过程中，双层迭代的结构也使得网络具备更加强大的鲁棒性。【结果】TLIR在90°和120°有限角度采样下都表现出强大的重建性能，在峰值信噪比方面比现有先进方法平均提升了2.000 9 dB和2.5 dB，证明了本模型的有效性。

关键词

计算机断层扫描（CT） / 迭代重建 / 有限角度CT重建 / 扩散模型 / 数据保真约束