编辑推荐：
在稀疏视图 CT 重建中，现有双域（DuDo）深度学习方法存在训练成本分配不合理等问题。研究人员提出 COO-DuDo 训练策略，设计 COO-DDNet 系列网络。实验验证其有效，为双域图像恢复提供新思路。
X 射线计算机断层扫描（CT）通过多视图扫描和重建，能帮助医生直观了解人体内部信息，是医学诊断中不可或缺的技术。然而，为降低患者辐射剂量而采用的稀疏视图 CT 扫描模式，却给图像重建带来了难题。当稀疏视图采集不满足采样定理时，使用传统解析重建方法，如滤波反投影（FBP）算法和反投影滤波（BPF）算法，重建图像会出现明显的条纹伪影，严重影响医学诊断。一些经典的迭代重建算法，像代数重建技术（ART）和最大似然期望最大化（MLEM）算法，也难以在满意的时间内重建出高质量图像。基于压缩感知的方法虽提供了一定解决方案，但依赖先验信息且参数选择困难。
近年来，深度学习（DL）技术在众多领域表现出色，在图像重建方面也展现出独特优势。它能自动从复杂数据中提取分层特征，建立从条纹伪影到真实图像的映射关系，在图像重建效果和时间上优于传统方法。DL 方法可分为单域和双域方法，单域方法包括单图像域和投影域处理，双域（DuDo）方法则能从投影域和图像域同时提取信息，实现图像恢复的互补整合。尽管双域方法在 CT 重建中表现优异，如能更好地保留精细结构和抑制伪影，但现有双域方法在训练时存在诸多问题，比如信息交换不畅、训练资源分配不合理，导致计算开销浪费或某个域训练不足，且这些方法的有效性缺乏充分解释和验证。
为解决这些问题，研究人员开展了关于优化双域稀疏视图 CT 重建计算开销的研究。他们提出了计算开销优化（COO）的 DuDo 训练策略（COO-DuDo），并设计了一系列用于稀疏视图 CT 重建的 DuDo 网络（COO-DDNet 系列），该系列包含大（L）、中（M）、小（S）三个版本。通过大量模拟实验、动物试验和临床研究，验证了该训练策略和方法的有效性，相关研究成果发表在《Expert Systems with Applications》上。这一研究为双域图像恢复任务提供了新的视角，有望推动医学影像技术的进一步发展。
研究人员在开展此项研究时，运用了多种关键技术方法。在数据方面，选取了低剂量 CT 挑战（AAPM）中的 56 例数据，从中挑选 5936 个切片，按照 8:1:1 的比例划分为训练集、验证集和测试集。这些数据均由西门子 SOMATOM Flash 扫描仪在 120 kV 和 200 质量参考 mAs 标准下、全角度 512×512 像素采集，扫描厚度（层间距）为 1mm。在网络设计上，构建了基于两个编码 - 解码型子网的 COO-DDNet 结构，以实现多层面的跨域连接。在训练策略上，通过计算不同域的计算开销、损失和损失的梯度变化，智能控制不同域的训练比例。
研究结果
- 数据准备结果：精心挑选并划分了具有代表性的数据集，为后续实验提供了可靠的数据基础。这些数据的采集条件统一，保证了实验结果的准确性和可重复性。
- COO-DuDo 策略及 COO-DDNet 网络效果：通过一系列实验验证，COO-DuDo 策略能够有效优化双域网络的训练过程。COO-DDNet 系列网络在不同规模下均展现出良好的性能，相比传统方法和其他双域方法，能更好地抑制条纹伪影，提高图像重建质量，尤其在扫描角度严重受限的情况下优势更为明显。这表明该策略和网络结构在稀疏视图 CT 重建中具有较高的有效性和适应性。
研究结论与讨论
研究人员成功构建了 COO-DuDo 训练策略，利用尺度思想控制双域训练比例，并设计了 COO-DDNet 系列网络。实验结果表明，COO-DDNet 在稀疏视图 CT 重建上比经典方法和其他双域方法表现更优，有效降低了双域网络的计算负担，提升了图像重建质量。这一研究成果意义重大，为双域图像恢复任务开辟了新的方向。未来，该策略有望与更多双域网络相结合，进一步优化医学影像重建技术，提高医学诊断的准确性，为人类健康事业做出更大贡献。
