深度学习CT重建：U-net结合传统算法去伪影解析

"本文档详细介绍了深度学习在CT重建中的应用，主要关注使用U-net网络结合不同的传统重建算法来去除伪影。文档涵盖了U-net与FBP、ART、SART、ML-EM和OSEM算法的结合使用，以及U-net替代STCT逆希尔伯特变换的两种方法，同时讨论了算法的改进与提升，如增加掩膜等。所有算法已在MATLAB环境中复现，部分借助ASTRA工具包的Python版本和自编MATLAB代码。" 深度学习CT重建算法是一种新兴的技术，旨在通过深度学习的方法提高CT图像的质量，减少由扫描角度稀疏引起的伪影。文档首先介绍了U-net网络与传统重建算法的结合，其中： 1. **U-net+FBP**：FBP（Filtered Back-Projection）是代数重建方法，用于快速重建图像。U-net在此基础上用于去除FBP重建后的伪影。在训练和测试过程中，U-net接收由FBP算法处理的稀疏角度数据作为输入，以原始图像为标签进行训练，然后用于测试数据的去伪影。 2. **U-net+ART**：ART（Algebraic Reconstruction Technique）是一种迭代重建算法，从初始图像开始逐步逼近最佳解。U-net在这里同样用于后处理，以改善ART重建的图像质量。使用ASTRA工具包实现ART，但因工具包不支持所有所需功能，部分代码需要自编。 3. **U-net+SART**：SART（Simultaneous Algebraic Reconstruction Technique）是ART的一种变体，考虑了像素对投影值的全面贡献，适用于高分辨率图像。U-net与SART的结合同样用于伪影去除。 4. **U-net+ML-EM**和**U-net+OSEM**：这两部分涉及到统计迭代类算法，ML-EM（Maximum Likelihood-Expectation Maximization）和OSEM（Ordered Subsets Expectation Maximization），它们在处理低剂量或稀疏角度数据时表现良好。由于ASTRA工具包不支持这些算法，所以需要自编MATLAB代码生成数据。 文档还探讨了U-net替代STCT（Spectral Total Variation）逆希尔伯特变换的两种方法： - **五段直线扫描分别训练模型**：U-net针对不同扫描角度的五段直线扫描训练独立的模型，每段模型专注于特定角度的数据处理。 - **五段直线扫描合并训练模型**：此方法将所有扫描角度的数据合并，训练一个通用模型。 这两种方法的结果进行了对比分析，以评估哪种方法在去除伪影和保持图像细节方面更优。 最后，文档提到了算法的改进措施，如**增加掩膜**，以针对性地处理图像的特定区域，进一步提高重建效果。 整个文档提供了丰富的CT图像重建方法，结合深度学习和经典算法，展示了如何在有限的扫描角度条件下改善CT图像质量，对于医疗影像分析和处理领域具有重要价值。