基于稀疏采样编码层的稀疏视角CT联合重建策略

为解决稀疏角投影CT重建中采样方案固定导致的图像质量下降问题，研究人员创新性地开发了集成采样编码层的端到端神经网络模型，通过联合Radon域和图像域重建策略，在公共CT数据集上验证了该方法可自动优化采样方案并显著提升重建质量，为低剂量CT成像提供了新思路。

　　

稀疏角投影(Sparse angular projection)是降低CT辐射剂量的重要手段，但传统重建框架下投影角度的稀疏性会导致图像伪影。尽管深度学习(DL)方法能提升特定采样方案的重建质量，却无法自动优化采样方案。这项研究别出心裁地设计了稀疏采样编码层(Sampling encoding layer)，将其嵌入基于投影数据的重建神经网络，形成可端到端训练的系统。更妙的是，团队还开发了Radon域与图像域双管齐下的联合重建策略(joint reconstruction strategy)。在公开CT数据集上的实验表明，这种"编码-重建"一体化框架不仅能智能筛选最优采样方案，还能显著提升图像质量。该成果为动态优化CT扫描协议开辟了新途径，尤其对需要反复扫描的疾病监测具有重要临床价值。