换一批基于Transformer增强型迭代展开网络的CT图像稀疏重建
A Transformer-enhanced Iterative Unrolling Network for Sparse-view CT Image Reconstruction
摘要通过减少投影数量可降低计算机断层扫描(CT)的辐射剂量.然而,使用滤波反投影算法从稀疏投影数据重建CT图像时会产生严重条状伪影,影响临床诊断.针对此问题,本文提出一种基于迭代展开的深度神经网络TransitNet,将模型驱动的数据一致性与深度学习特征提取能力相结合.该网络采用新型迭代架构,通过可学习的数据一致性操作实现更灵活的物理约束,利用Transformer的自注意力机制建立图像特征的长程依赖关系,并引入线性注意力机制将自注意力的计算复杂度从平方级降低到线性级.大量实验表明,该方法在重建质量和计算效率方面均展现出显著优势,能有效抑制条状伪影,同时保持图像结构和细节.
更多相关知识
关键词
稀疏角度CT迭代展开Transformer线性注意力数据一致性sparse-view CTiterative unrollingTransformerlinear attentiondata consistency
栏目名称
DOI
10.15953/j.ctta.2025.044
发布时间
2025-10-28（万方平台首次上网日期，不代表论文的发表时间）
- 浏览1
- 被引0
- 下载0
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
