用于平行束计算机断层扫描的多阶段深度学习伪影抑制

同步辐射计算机断层扫描（CT）是一种强大的技术，与实验室 CT 技术相比，它提升了高空间和时间分辨率，同时提供了一系列衬度形成机制。所获取的投影数据通常由由多个阶段组成的计算流水线处理。数据采集过程中引入的伪影会沿流水线传播，并降低重建图像中的图像质量。近年来，深度学习在提升代表科学数据的图像质量方面显示出显著潜力。这一成功推动了深度学习技术在 CT 成像中的日益采用。人们已提出多种方法将深度学习整合进计算流水线，但每种方法在同步辐射 CT 中有效且高效地应对伪影方面均存在局限，无论是在恰当处理特定伪影方面，还是在计算效率方面。认识到这些挑战，我们引入了一种新方法，在层析成像流水线的每个阶段——投影、正弦图和重建——引入独立的深度学习模型，以数据驱动的方式局部处理特定伪影。我们的方法包含旁路连接，将前一阶段的输出和原始数据馈送至后续阶段，从而最小化误差传播的风险。在模拟和真实世界数据集上的广泛评估表明，我们的方法有效减少了伪影，并优于对比方法。