近日，中國科學院合肥物質院健康所/合肥腫瘤醫院王宏志研究員團隊在稀疏視角CT（Sparse-view CT, SVCT）重建領域取得重要進展，提出了一種多階段雙域漸進式網絡與協同訓練方法。該研究突破了單一模型難以適應多種稀疏視角場景的瓶頸，顯著提升了CT重建的精度與泛化能力。相關研究成果以題為“Multi-stage Dual-domain Progressive Network with Synergistic Training for Sparse-view CT Reconstruction”發表于國際權威期刊Neural Networks（DOI：https://doi.org/10.1016/j.neunet.2025.108221.）。

稀疏視角低劑量CT通過減少采樣角度來降低患者輻射劑量并縮短掃描時間，但重建圖像中往往存在偽影，嚴重影響影像質量與診斷可靠性。傳統方法通常需針對不同視角條件分別訓練模型，耗時耗力且泛化能力不足。

針對這一問題，研究團隊提出了基于協同訓練的多階段雙域漸進重建方法（MDPRNet），在模型結構與訓練策略上實現雙重創新。一方面，團隊設計了多視角協同訓練策略，將訓練數據按采樣視角數量劃分為“超稀疏組”（18、24、36、42視角）與“稀疏組”（72、96、144、168視角），使單一模型能夠魯棒適應多種掃描條件。該策略有效避免了大跨度視角訓練中性能不穩定的問題，顯著提升了極稀疏場景下的重建效果與穩定性。另一方面，團隊構建了多階段雙域漸進重建網絡結構（MDPRNet）。網絡前期階段利用編碼器–解碼器架構，從正弦域與圖像域中提取多尺度上下文特征；最終階段引入單尺度特征子網絡（SSFNet），在原始分辨率下進行高保真重建。為優化階段間特征傳遞，研究還引入跨階段特征適配器（CFA），結合可學習全局注意門（LGAG）與監督注意模塊（SAM），實現了特征在多階段間的高效融合與信息協同。

研究團隊在AAPM公開數據集和自建的肺部異常CT影像數據集（LACI）上進行了系統驗證。實驗結果顯示，MDPRNet在所有稀疏視角場景下均優于現有方法。特別是在144視角條件下，PSNR達到40.66 dB，比當前最優方法提升近3 dB；在超稀疏的18視角條件下，PSNR仍達30.16 dB，展現出優異的穩健性能。

該研究提出了一種高效、通用的稀疏視角CT重建框架，不僅顯著提升了圖像質量，還降低了多模型訓練的復雜度，為臨床低劑量CT的推廣應用提供了有力的技術支撐。中國科學院合肥物質院健康所博士研究生邵婧媛為論文第一作者，王宏志研究員、竇少彬副研究員為論文通訊作者。

文章鏈接：https://www.sciencedirect.com/science/article/abs/pii/S0893608025011025

圖1.展示了用于稀疏視角CT重建的MDPRNet模型整體架構，采用多階段漸進式重建框架。早期階段使用U型網絡從正弦圖和CT圖像中提取多尺度特征，最終階段采用單尺度網絡(SSFNet)在原始分辨率下重建，以保留細節紋理。