OSNet与MNetO：面向多场景线性计算机断层成像的两种通用重建架构

近年来，线性计算机断层成像（LCT）系统备受关注。为弱化投影截断并对LCT中的感兴趣区域（ROI）成像，反投影滤波（BPF）算法是一种有效解决方案。然而，在LCT的BPF中，难以实现稳定的内部重建；且对于LCT的微分反投影（DBP）图像，多次旋转-有限逆希尔伯特变换（希尔伯特滤波）-逆旋转操作会使图像模糊。为满足LCT的多种重建场景（包括内部ROI、完整物体和视场（FOV）外区域），并避免希尔伯特滤波的旋转操作，我们提出了两类重建架构。第一类叠加多幅DBP图像以获得完整DBP图像，随后使用网络学习叠加的希尔伯特滤波函数，称为叠加单网络（OSNet）。第二类使用多个网络分别训练多方向线性扫描DBP图像的不同方向希尔伯特滤波模型，然后叠加重建结果，即多网络叠加（MNetO）。在两种架构中，我们在pix2pixGAN的生成器中引入Swin Transformer（ST）块，以同时从DBP图像中提取局部和全局特征。我们从不同网络、FOV尺寸、像素尺寸、投影数量、几何放大倍数和处理时间等方面研究了两种架构。实验结果表明，两种架构均可恢复图像。OSNet在各种场景下优于BPF。对于不同网络，ST-pix2pixGAN优于pix2pixGAN和CycleGAN。MNetO因多个模型间差异而呈现少量伪影，但其任一模型均适用于某一方向上的外部边缘成像。