LIT-Former：联结面内与层间 Transformer 以实现 CT 图像同步去噪与去模糊

本文研究三维低剂量计算机断层扫描（CT）成像。尽管在此背景下已发展出多种深度学习方法，但它们通常关注二维图像，并分别进行因低剂量导致的去噪与用于超分辨率的去模糊。迄今为止，针对面内去噪与层间去模糊同步进行的工作甚少，而这对于以更低辐射与更快成像速度获取高质量三维 CT 图像十分重要。对于该任务，一种直接方法是训练端到端三维网络。然而，其需要多得多的训练数据与昂贵的计算代价。在此，我们提出联结面内与层间 transformers 以同步实现面内去噪与层间去模糊，称为 LIT-Former，其能高效协同面内与层间子任务用于三维 CT 成像，并兼具卷积与 transformer 网络的优势。LIT-Former 有两个新颖设计：高效多头自注意力模块（eMSM）与高效卷积前馈网络（eCFN）。首先，eMSM 整合面内二维自注意力与层间一维自注意力，以高效捕获三维自注意力的全局交互，即 transformer 网络的核心单元。其次，eCFN 以相同方式整合二维卷积与一维卷积来提取三维卷积的局部信息。因此，所提 LIT-Former 协同这两个子任务，与三维对应网络相比显著降低了计算复杂度并实现了快速收敛。在模拟与临床数据集上的大量实验结果表明其优于最先进模型。源代码发布于 https://github.com/hao1635/LIT-Former。