杜聪聪， 乔志伟， 张艳娇， 芦 阳

(山西大学 计算机与信息技术学院， 山西 太原 030006)

0 引言

计算机断层成像(CT)是应用最为广泛的医学成像模态，其过高的X射线辐射剂量可能存在终身诱发癌症的风险。因此，低剂量CT成为当前研究的热点。目前，低剂量CT有两种实现方法。一种是降低每个投影角度下的辐射剂量，另一种是在稀疏角度下减少投影个数。在稀疏投影角度下重建的图像就是稀疏重建。其中以滤波反投影(Filtered Back Projection，FBP)[1]算法为代表的解析法是一类经典的CT图像重建算法。然而FBP算法稀疏重建的图像产生严重的条状伪影，可能导致出现错误的疾病判读。由此，研究者们开始设计新的高精度稀疏重建算法，以压制条状伪影。

CT稀疏重建方法大致分为两类。

一类方法是基于压缩感知Compressed Sensing，CS)[2]的迭代法，2006年，Sidky等提出了扇束和锥束CT的总变差(Total Variation，TV)最小算法，实现了高精度CT稀疏重建[3-4]。随后，研究者们在TV算法的基础上，提出了自适应加权TV(Adaptive-weighted Total Variation，awTV)[5]、保边TV(Edge-preserving TV，EPTV)[6]、各向异性TV(Anisotropic TV，aTV)[3,7]、高阶TV(High Order TV，HOTV)[8]、非局部TV(Non-local TV，NLTV)[9]及TpV(Total p-Variation)[10]等算法，进一步提高了重建精度，有力地推动了CT稀疏重建的发展。此外，其他基于压缩感知的重建算法也得到了深入研究，如基于字典学习的方法[11]和基于秩最小的方法[12]。

另一类方法是深度学习法。Chen等提出的Red-CNN网络，结合了反卷积[13]和残差学习[14]，在CT稀疏重建方面取得了不错的效果[15]。Wolterink等使用生成式对抗网络( Generative Adversarial Networks，GAN)[16]在CT稀疏重建问题上也获得了很大的提升[17]。Han等证明学习条状伪影比学习原始信号更加简单，并提出了基于Unet网络[18]的深度残差学习方法来估计条状伪影，然后通过输入的含条状伪影的CT图像减去估计的条状伪影来获得高质量的CT图像[19]。……