基于Transformer增强型迭代展开网络的CT图像稀疏重建
王俣
刘鹏
王亚楠
乔志伟
山西大学计算机与信息技术学院,太原 030006
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.
关键词：稀疏角度CT迭代展开Transformer线性注意力数据一致性
分类号：TP391.41(计算技术、计算机技术)O242(计算数学)TP18(自动化基础理论)
论文发表日期：2025-09-30
在线出版日期：2025-10-28（本平台首次上网日期，不代表文献的发表时间）
页数：16( 839-854 )
英文信息