《Pattern Recognition》：Unified sparse-view CT reconstruction via degradation-aware multi-view learning with residual prompts
编辑推荐：
•统一模型可在多种视角设置下重建稀疏视角CT图像。•反馈机制从初步重建结果中提取退化线索。•残差提示引导网络适应多种伪影模式。•对称感知注意力增强重建图像中的解剖结构。引言X射线计算机断层扫描（CT）通过多角度X射线投影获取组织衰减信息，并利用数学算法重建体内结构图像。因此，
- •
统一模型可在多种视角设置下重建稀疏视角CT图像。
- •
反馈机制从初步重建结果中提取退化线索。
- •
残差提示引导网络适应多种伪影模式。
- •
对称感知注意力增强重建图像中的解剖结构。
引言
X射线计算机断层扫描（CT）通过多角度X射线投影获取组织衰减信息，并利用数学算法重建体内结构图像。因此，CT辐射暴露可能带来的癌症风险一直是研究的持续关注点[1]。稀疏视角CT（SVCT）通过限制投影视角数量同时保持诊断图像质量，为减少辐射剂量提供了一种有效方法。除了降低剂量外，SVCT还为加速CT成像提供了有前景的解决方案，尤其在牙科CT等应用中[2]。
然而，不完整的原始数据会给重建后的CT图像引入显著噪声和伪影。为解决这一问题并提高SVCT图像质量，早期研究提出了基于模型的重建方法。Tian等人[3]引入了保边全变分（EPTV）正则化方法，以更好地保留CT图像中的低对比度结构。Wang等人[4]提出了一种重加权各向异性全变分（RwATV）最小化方法，以增强边缘保留并抑制伪影。尽管这些方法做出了贡献，但它们的建模能力有限，无法有效处理复杂的解剖结构和极度稀疏的视角场景。
随着深度学习（DL）的进步，基于深度学习的方法在医学影像领域已成为传统方法更有效的替代方案[5]，[6]，[7]。已有研究致力于训练卷积神经网络（CNN）直接从重建的SVCT图像中去除伪影[8]，[9]。其他研究则将迭代重建的概念扩展到CNN中，实现端到端方式学习重建参数[10]。
现有方法通常仅限于单一稀疏视角配置，每种特定设置需要单独训练模型。这种一对一范式导致在训练和测试视角设置不匹配时重建性能严重下降，从而限制了其在临床环境中的适用性。统一稀疏视角CT重建的挑战在于管理来自不同稀疏视角设置图像中不同伪影模式的相互干扰。一个关键问题是模型如何有效地从输入图像中感知退化语义，并利用这些信息在重建过程中指导伪影抑制和结构保留。
本文如图1所示，提出了残差提示驱动的退化感知反馈网络（RP-DAFNet），这是一个用于统一稀疏视角CT重建的鲁棒模型。我们将初步重建结果作为前馈输出，纳入反馈调节机制。然后，计算该初步结果与输入图像之间的残差，并通过退化残差嵌入模块（DREM）将其编码为多尺度退化残差嵌入。最后，退化残差提示模块（DRPM）从残差嵌入中生成提示，以逐层交互的方式与解码器特征进行交互，实现残差退化驱动的特征表示增强。此外，所提出的对称感知位置注意力（SAPA）模块利用人体CT图像的固有对称性来捕获和增强对称结构特征，从而实现精细的SVCT重建。这种基于反馈的调整机制使网络能够动态调整其特征处理，从而实现保结构的统一稀疏视角CT重建。本文的主要贡献如下：
- •
我们提出了一种残差提示驱动的退化感知反馈网络，可在各种投影设置下进行统一SVCT重建。
- •
所提出的退化残差提示模块（DRPM）由两个组件组成：退化提示生成块（DPGB）和提示特征引导块（PFGB）。DPGB从残差嵌入中动态生成退化感知提示，而PFGB自适应地融合这些提示与解码器特征，以引导网络高效地从输入图像中去除退化。
- •
我们提出了SAPA模块，通过融合原始特征与水平翻转特征来自适应捕获CT图像中的对称结构，从而优化重建图像。
本文的组织结构如下。第2节概述了与本研究主题相关的先前研究。第3节详细描述了所提出框架的设计和结构。第4节说明了数据准备过程、评估标准和实现设置。第5节展示并分析了实验结果，突出了我们方法的优势。最后，第6节总结了研究工作并对其影响进行了简要讨论。
章节摘要
传统SVCT重建
传统CT重建方法主要包括解析方法和迭代方法。滤波反投影（FBP）[11]计算效率高，但在稀疏视角采样下容易产生严重的条纹伪影和噪声。迭代方法，如代数重建技术（ART）[12]和同时迭代重建技术（SIRT）[13]，通过反复施加数据一致性来改善重建质量，但其高昂的计算成本限制了
方法
本节介绍RP-DAFNet，一种用于SVCT重建的统一框架。RP-DAFNet是一个退化感知、反馈优化的重建架构，通过引入残差提示和对称感知位置注意力模块来指导恢复过程并提升重建质量。
数据集
我们在三个数据集上评估所提出的框架：公开的AAPM低剂量CT挑战赛数据集[37]、我们的院内肺部异常CT图像（LACI）数据集以及低剂量CT图像与投影数据（Mayo-2020）数据集[38]。
AAPM挑战赛数据集。AAPM数据集[37]由梅奥诊所提供，包含10名患者的腹部CT扫描，同时具有重建图像和原始投影数据。我们采用严格的患者级别划分，使用9名患者的5351张图像进行
与最先进模型的比较
我们将RP-DAFNet与最先进的SVCT重建方法进行比较，包括FBP、FBPConvNet [8]、SACNN [9]和LIT-Former [40]，以及通用图像复原模型，包括NAFNet [35]、CGNet [41]、MambaIR [42]和PromptIR [23]。所有竞争方法均采用其原始论文中报告的超参数设置。与大多数基线方法不同，RP-DAFNet仅训练一次即可应用于所有稀疏视角设置。
结论
本文提出了一种残差提示驱动的退化感知反馈网络（RP-DAFNet），用于统一稀疏视角CT重建。与为不同稀疏视角设置分别训练模型的方法不同，RP-DAFNet通过反馈调整机制动态优化重建。具体而言，DREM将重建残差编码为多尺度退化残差嵌入，而DRPM将其转化为退化感知提示以实现自适应特征调制。
CRediT作者贡献声明
陈华宝：撰写——初稿，方法论，数据整理，概念构思。宁鑫：撰写——审阅与编辑，验证，调查研究。邵靖远：形式分析。舒炯：数据整理。毛宇翔：项目管理。何锋：验证。Hemant Ghayvat：资源提供。李乾坤：概念构思。王宏志：监督指导，资源提供。
利益冲突声明
作者声明他们不存在可能影响本文所述工作的已知的竞争性经济利益或个人关系。
致谢
本研究未获得公共、商业或非营利部门基金会的任何专项资助。
陈华宝|宁鑫|邵靖远|舒炯|毛宇翔|何锋|Hemant Ghayvat|李乾坤|王宏志
