张艳娇，乔志伟

（山西大学计算机与信息技术学院，太原 030006）

0 引言

计算机断层成像（Computed Tomography，CT）的出现，极大地促进了医学影像学的发展，对于各种疾病的诊断也有重要的意义。CT 图像重建算法主要有两种：一种是以滤波反投影（Filtered Back Projection，FBP）［1-2］算法为代表的解析重建算法；另一种是基于压缩感知（Compressed Sensing，CS）［3-4］的迭代重建算法。解析法［5］因其重建速度快而成为了目前商用CT 机的主流算法。因X 射线对人体有潜在的致病危险，低剂量CT 成为了当前研究的热点。稀疏重建即从稀疏角度下采集的投影重建图像，是实现低剂量CT的有效方法；然而，解析法稀疏重建的图像中往往包含严重的条状伪影，导致无法进行正确的疾病判读，为此，研究者开始设计新型的重建算法，以压制条状伪影。

芝加哥大学Pan 等［6-7］分别于2006 年及2008 年提出了扇束和锥束CT 的总变差（Total Variation，TV）最小化算法，实现了高精度稀疏重建。其后，人们提出了很多改进的TV 模型，以进一步提高重建精度，如保边TV（Edge-Preserving TV，EPTV）模型［8］、自适应加权TV（Adaptive-weighted TV，AwTV）模型［9］、高阶TV（High-Order TV，HOTV）模型［10］、非局部TV（Non-Local TV，NLTV）模 型［11］及TpV（Total p-Variation）模型［12］等。同时，研究者也提出了基于字典学习［13］和秩最小［14］的稀疏重建算法，这些基于压缩感知的重建算法有力地推动了高精度稀疏重建的发展；然而，该类算法的迭代过程耗时较长，影响了其在商用CT机中的产业化进程。

2006 年以来，深度学习技术由于大数据、大网络和大算力的结合，在工业界和学术界成为了最热门的机器学习技术。它已经在人机对弈、机器翻译、智能问答及计算机视觉等领域展现了其强大的、优于传统方法的性能。……