基于扩散视觉注意力的稀疏角度计算机断层成像重建模型
Abstract
现有基于深度学习的稀疏角度计算机断层成像（CT）重建方法存在两大问题：一是现有方法在全局信息建模方面存在不足，限制了模型对稀疏投影数据的有效表征，从而导致重建图像过度平滑；二是未能区分不同像素值区域的重要性，导致在低像素值区域的重建质量不佳。为解决这些问题，提出一种新的稀疏角度CT重建方法。提出DVFormer模型，该模型通过构建扩散注意力机制，从窗口注意力的每一个窗口中提取代表特征进行远程交互，从而实现全局信息建模；同时，改进了损失函数，在训练过程中对像素值较小的区域赋予更高的权重，以增强模型对低像素值区域的关注，提升低像素值区域的重建质量。实验结果表明：在DeepLesion数据集的18个投影角度配置下，所提方法相比次优方法，峰值信噪比提高了0.50 dB，结构相似性提升了0.0080；对于4个不同人体部位的局部低像素值区域，平均峰值信噪比提升了1.20 dB，结构相似性提升了0.0175。实验结果表明，所提方法具备更强的去除噪声和抑制伪影的能力，并能更好地保留图像的纹理结构和边缘细节。
Fields of Study & Subjects
Medical Imaging Techniques and Applications
Advanced X-ray and CT Imaging
Image and Signal Denoising Methods
Publication details
- Journal / source
- Laser & Optoelectronics Progress
- Volume
- 63
- Issue
- 2
- Pages
- 0237004–0237004
- Publication date
- 1 January 2026
- Language
- EN