Delta-Net：一种用于高pitch螺旋CT重建的深度双域交替优化网络

《IEEE Transactions on Medical Imaging》：Delta-Net: Deep Dual-Domain Alternating Optimization Network for High Pitch Helical CT Reconstruction

高螺距螺旋CT成像通过降低辐射剂量提高时间分辨率，但其数据不完整易导致图像伪影。本文提出Delta-Net深度双域交替优化网络，结合投影域校正与图像域精修，通过结构感知联合损失和领域特定先验正则化，有效抑制伪影并恢复精细结构，临床数据验证其性能优于现有方法。

　　

摘要：

高分辨率螺旋计算机断层扫描（CT）在显著降低辐射剂量的同时，提高了时间分辨率，从而带来了实质性的临床效益。然而，由于扫描数据不完整，重建图像中常常会出现伪影，这会降低图像质量并可能影响临床诊断。现有的高分辨率重建方法主要在图像域内进行操作，或者将图像域网络与传统的迭代算法结合使用，但其性能仍然有限。为了解决这些问题，我们提出了Delta-Net，一种用于高分辨率螺旋CT重建的深度双域交替迭代优化网络。我们引入了一种新的优化目标，并开发了一个交替迭代优化框架，每个子迭代包括投影域校正和图像域细化。为了增强泛化和鲁棒性，我们使用了深度神经网络来学习特定于领域的先验知识，并将其作为正则化项纳入模型中，所有超参数都在训练过程中自动优化。具体来说，图像域残差细化网络（IRN）和投影域一致性增强网络（PCN）用于规范两个域之间的中间结果。此外，为了提高伪影抑制和结构恢复的能力，我们为Delta-Net定制了一个结构感知的联合损失函数。在临床数据集上的定量和定性评估表明，Delta-Net在伪影抑制、细微结构恢复和泛化能力方面优于其他竞争方法。

引言

螺旋计算机断层扫描（CT）已成为临床诊断成像的主要技术。在螺旋扫描中，归一化螺距表示扫描的相对速度，即X射线源在一次旋转过程中覆盖的Z轴扫描距离与探测器在其旋转中心的相对准直宽度之比。在临床实践中，通常建议螺距低于1.5，以确保重建图像满足诊断标准且伪影最少[1]。虽然这个范围对于大多数诊断任务来说已经足够，但涉及器官或患者运动的病例需要更高的时间分辨率。为了解决这个问题，开发了双源螺旋CT系统，该系统配备两个X射线源和探测器，以便在高分辨率模式下收集更完整的投影数据。然而，由于成本较高，这些系统在临床实践中并不常用，单源系统仍然更为普遍。因此，减轻单源螺旋CT高分辨率数据采集引入的伪影具有重要的临床意义。