基于Swin-Transformer迭代展开的有限角CT图像重建用于PTCT成像

针对相对平行直线扫描CT(PTCT)图像重建存在的有限角伪影问题，提出一种学习局部和非局部正则项的深度迭代展开方法。该方法将具有固定迭代次数的梯度下降算法迭代展开到神经网络，利用具有坐标注意力（CA）机制的卷积模块和Swin-Transformer模块作为迭代模块交替级联部署，构成端到端的深度重建网络。卷积模块学习局部正则化，其中CA用于减少图像过平滑；Swin-Transformer模块学习非局部正则化，提高网络对图像细节的恢复能力；在相邻模块间，使用迭代连接（IC）增强模型提取深层特征的能力，提高每次迭代的效率。通过消融实验验证了网络各部分的有效性，并在两种类型的数据集上进行实验，结果证明了本文方法的效果。实验结果表明，本文方法在抑制PTCT重建图像有限角伪影的同时，能较好地保留重建图像细节，提高重建图像质量。