基于多维度注意力机制的增强重建技术，用于稀疏视角下的计算机断层扫描（CBCT）

《MEDICAL PHYSICS》：Multi-dimensional attention-enhanced reconstruction for sparse-view CBCT

稀疏视图CT重建中采用双域深度学习网络（MAE-Recon）解决条纹伪影问题，通过线性插值初始化全视角投影、投影域网络预测高质量投影、FDK重建结合图像域网络优化，在真实和模拟数据集上显著提升RMSE、SSIM和PSNR指标。

　　

摘要

背景

锥形束计算机断层扫描（CBCT）是一种高分辨率的3D成像技术，在临床应用中非常广泛。然而，由于滞后效应和对辐射剂量的担忧，它存在一些局限性。虽然稀疏视图CBCT可以通过降低探测器读出频率和曝光时间来缓解这些问题，但会引入条纹伪影，从而降低图像质量。最近的研究探索了稀疏视图CBCT重建的技术。尽管如此，实现图像质量的提升仍然是一个持续的挑战。

目的

本研究的目的是利用双域深度学习网络消除条纹伪影并恢复图像细节。

方法

本研究提出了一种用于稀疏视图CBCT的多维注意力增强重建（MAE-Recon）算法。MAE-Recon包括四个关键组成部分：线性插值模块、投影域网络、FDK算子和图像域网络。首先，线性插值模块生成初始的全视图投影；然后，投影域网络预测高质量的投影数据；接着，FDK算子重建CBCT图像；最后，图像域网络对重建的图像进行精细化处理。考虑到投影之间的长距离依赖性以及特征内的信息冗余，本研究引入了两个即插即用的增强模块。

结果

选择了真实的胸部数据集和模拟的腹部数据集进行验证。RMSE分别降低了$$ $$和$$，SSIM和PSNR分数在两个数据集上分别提高了0.066、0.009和4.62分、1.44分。还进行了消融研究，结果表明这些改进模块是实用且高效的。

结论

本研究提出的MAE-Recon在稀疏视图CBCT重建中能够获得高质量的图像，展示了其应用潜力。

利益冲突声明

作者声明没有利益冲突。