2025年10月31日
星期五
近日，中国科学院合肥物质院健康所/合肥肿瘤医院王宏志研究员团队在稀疏视角CT（Sparse-view CT, SVCT）重建领域取得重要进展，提出了一种多阶段双域渐进式网络与协同训练方法。该研究突破了单一模型难以适应多种稀疏视角场景的瓶颈，显著提升了CT重建的精度与泛化能力。相关研究成果以题为“Multi-stage Dual-domain Progressive Network with Synergistic Training for Sparse-view CT Reconstruction”发表于国际权威期刊Neural Networks（DOI：https://doi.org/10.1016/j.neunet.2025.108221.）。
稀疏视角低剂量CT通过减少采样角度来降低患者辐射剂量并缩短扫描时间，但重建图像中往往存在伪影，严重影响影像质量与诊断可靠性。传统方法通常需针对不同视角条件分别训练模型，耗时耗力且泛化能力不足。
针对这一问题，研究团队提出了基于协同训练的多阶段双域渐进重建方法（MDPRNet），在模型结构与训练策略上实现双重创新。一方面，团队设计了多视角协同训练策略，将训练数据按采样视角数量划分为“超稀疏组”（18、24、36、42视角）与“稀疏组”（72、96、144、168视角），使单一模型能够鲁棒适应多种扫描条件。该策略有效避免了大跨度视角训练中性能不稳定的问题，显著提升了极稀疏场景下的重建效果与稳定性。另一方面，团队构建了多阶段双域渐进重建网络结构（MDPRNet）。网络前期阶段利用编码器–解码器架构，从正弦域与图像域中提取多尺度上下文特征；最终阶段引入单尺度特征子网络（SSFNet），在原始分辨率下进行高保真重建。为优化阶段间特征传递，研究还引入跨阶段特征适配器（CFA），结合可学习全局注意门（LGAG）与监督注意模块（SAM），实现了特征在多阶段间的高效融合与信息协同。
研究团队在AAPM公开数据集和自建的肺部异常CT影像数据集（LACI）上进行了系统验证。实验结果显示，MDPRNet在所有稀疏视角场景下均优于现有方法。特别是在144视角条件下，PSNR达到40.66 dB，比当前最优方法提升近3 dB；在超稀疏的18视角条件下，PSNR仍达30.16 dB，展现出优异的稳健性能。
该研究提出了一种高效、通用的稀疏视角CT重建框架，不仅显著提升了图像质量，还降低了多模型训练的复杂度，为临床低剂量CT的推广应用提供了有力的技术支撑。中国科学院合肥物质院健康所博士研究生邵婧媛为论文第一作者，王宏志研究员、窦少彬副研究员为论文通讯作者。
文章链接：https://www.sciencedirect.com/science/article/abs/pii/S0893608025011025
图1.展示了用于稀疏视角CT重建的MDPRNet模型整体架构，采用多阶段渐进式重建框架。
早期阶段使用U型网络从正弦图和CT图像中提取多尺度特征，
最终阶段采用单尺度网络(SSFNet)在原始分辨率下重建，以保留细节纹理。
新闻链接：http://www.hf.cas.cn/kxyj/kyjz/202510/t20251029_7999108.html
版权所有：安徽省光学学会（社证字第 0156号）
地址：安徽省合肥市蜀山湖路350号中科院安徽光机所一号楼
EMAIL：ahos@aiofm.ac.cn
