基于双域Transformer耦合特征学习的CT截断数据重建模型

作     者：汪辰 蒙铭强 李明强 王永波 曾栋 边兆英 马建华 WANG Chen;MENG Mingqiang;LI Mingqiang;WANG Yongbo;ZENG Dong;BIAN Zhaoying;MA Jianhua

作者机构：南方医科大学生物医学工程学院广东广州510515 琶洲实验室(黄埔)广东广州510005 

出 版 物：《南方医科大学学报》 (Journal of Southern Medical University)

年 卷 期：2024年第44卷第5期

页      面：950-959页

核心收录：

学科分类：0831[工学-生物医学工程（可授工学、理学、医学学位）] 100207[医学-影像医学与核医学] 1006[医学-中西医结合] 1002[医学-临床医学] 1001[医学-基础医学(可授医学、理学学位)] 08[工学] 080203[工学-机械设计及理论] 1010[医学-医学技术（可授医学、理学学位）] 0802[工学-机械工程] 100106[医学-放射医学] 10[医学] 100602[医学-中西医结合临床] 

基　　金：国家自然科学基金(U21A6005) 

主　　题：CT截断伪影 Transformer 深度学习 双域 

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。