用于数字乳腺断层合成重建的深度学习框架

数字乳腺断层合成正迅速取代数字乳腺摄影成为评估乳腺的基本 X 射线技术。然而，稀疏采样与有限角度范围产生了不同伪影，制造商试图以多种方式解决。本研究我们提出将 Learned Primal-Dual 算法扩展用于数字乳腺断层合成。Learned Primal-Dual 算法是一种由若干“重建块”组成的深度神经网络，其以原始正弦图数据为初始输入，通过投影与反投影进行前向与后向传递，并利用卷积神经网络产生中间重建结果，再由后续重建块进一步改进。我们通过向神经网络提供乳腺厚度测量值作为掩膜来扩展该架构，并使其学习如何使用该厚度掩膜。我们在数字体模及相应的无噪/含噪投影上训练算法，随后在不同噪声水平下对数字体模进行测试。使用 MSE 损失与结构相似性指数对算法重建性能进行视觉与定量比较。结果表明，所提算法在乳腺边缘与内部结构的重建质量上均优于基线迭代重建算法，且对噪声具有鲁棒性。