深度学习结合分形图像在稀疏视图CT中的创新应用

为解决稀疏视图CT图像重建中医学数据稀缺的难题，研究人员探索了利用分形图像进行网络预训练的新策略。通过对比FBPConvNet和WNet两种网络架构，发现预训练后的WNet在仅需20%医学图像(1000 vs 5000)的情况下，显著提升SSIM和PSNR指标，为低剂量CT成像提供了突破性解决方案。

　　

在医学影像领域，稀疏视图计算机断层扫描(CT)面临投影数据不足导致的严重伪影问题。虽然深度学习能提升重建精度，但医学图像的获取常受伦理和法律限制。这项研究另辟蹊径，采用迭代函数系统(IFS)生成的分形图像进行网络预训练，结合CHAOS数据集中的真实CT影像开展实验。

研究团队设计了两阶段训练方案：先用分形图像预训练网络参数，再用少量CT图像微调。通过仅36个投影生成正弦图，采用滤波反投影(FBP)初步重建后，对比了FBPConvNet和三级模块WNet的性能。定量评估显示，经分形预训练的WNet表现最优——结构相似性(SSIM)提升表明伪影减少，峰值信噪比(PSNR)优于传统网络，更令人振奋的是所需医学图像数量锐减80%。

该突破证实，分形图像的自相似特性可有效迁移至医学图像重建任务。这种"用数学图案替代部分医学数据"的创新思路，为解决医学AI训练数据荒提供了新范式，尤其对低剂量CT的临床推广具有重要价值。