基于Transformer增强型U-net的CT图像稀疏重建与伪影抑制

作者：樊雪林; 文昱齐; 乔志伟^*

来源：CT理论与应用研究, 2023, 1-12.

DOI：10.15953/j.ctta.2023.183

• 稀疏重建
• 计算机断层成像
• Transformer
• 多注意力机制
• 条状伪影

实现低剂量计算机断层成像（CT）的一个有效办法是减少投影角度，但投影角度较少会产生严重的条状伪影，降低图像的临床使用价值。针对该问题，提出一种耦合卷积神经网络（CNN）和多种注意力机制的U型网络（Transformer Enhanced U-net,TE-unet）。首先采用U型架构提取多尺度特征信息；其次提出了一个包含CNN和多种注意力的模块提取图像特征；最后在跳跃连接处加入Transformer块过滤信息，抑制不相关特征，突出重要特征。所提网络结合了CNN的局部特征提取能力和Transformer的全局信息捕获能力，辅以多种注意力机制，实现了良好的去条状伪影能力。在60个投影角度下，与经典的Uformer网络相比，峰值信噪比（PSNR）高出了0.3178dB，结构相似度（SSIM）高出了0.002，均方根误差（RMSE）降低了0.000 5。实验结果表明，所提TE-unet重建的图像精度更高，图像细节保留的更好，可以更好地压制条状伪影。

• 单位
  北京理工大学; 山西大学; 材料学院