一网解所有 ROI：基于微分背投影的深度学习任意 ROI CT 重建

面向感兴趣区域（ROI）重建的计算机断层扫描具有降低 X 射线辐射剂量和使用小探测器的优势。然而，标准解析重建方法存在严重的杯状伪影，且现有的基于模型的迭代重建方法需要大量计算。最近，我们提出了一种深度神经网络来学习杯状伪影，但由于 corrupted 图像中的奇异性，该网络对不同 ROI 的泛化性不佳。因此，对适用于任意 ROI 尺寸的神经网络需求日益增长。本文设计了两类神经网络。第一类从解析重建图像中学习特定 ROI 尺寸的杯状伪影，而第二类网络用于从截断的微分背投影（DBP）数据学习反演有限 Hilbert 变换。随后检验了它们对任意 ROI 尺寸的泛化能力。实验结果表明，尽管运行时间复杂度显著降低，这类新型神经网络对任意 ROI 尺寸均显著优于现有迭代方法。由于所提方法对任意 ROI 均稳定超越现有方法，它可用作许多实际应用中的通用 CT 重建引擎，而不牺牲可能的探测器截断。