换一批基于双域Transformer耦合特征学习的CT截断数据重建模型
Reconstruction from CT truncated data based on dual-domain transformer coupled feature learning
摘要目的 为解决CT扫描视野(FOV)不足导致的截断伪影和图像结构失真问题,本文提出了一种基于投影和图像双域Transformer耦合特征学习的CT截断数据重建模型(DDTrans).方法 基于Transformer网络分别构建投影域和图像域恢复模型,利用Transformer注意力模块的远距离依赖建模能力捕捉全局结构特征来恢复投影数据信息,增强重建图像.在投影域和图像域网络之间构建可微Radon反投影算子层,使得DDTrans能够进行端到端训练.此外,引入投影一致性损失来约束图像前投影结果,进一步提升图像重建的准确性.结果 Mayo仿真数据实验结果表明,在部分截断和内扫描两种截断情况下,本文方法DDTrans在去除FOV边缘的截断伪影和恢复FOV外部信息等方面效果均优于对比算法.结论 DDTrans模型可以有效去除CT截断伪影,确保FOV内数据的精确重建,同时实现FOV外部数据的近似重建.
更多相关知识
栏目名称
DOI
10.12122/j.issn.1673-4254.2024.05.17
发布时间
2024-06-18（万方平台首次上网日期，不代表论文的发表时间）
- 浏览8
- 被引1
- 下载0
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
