基于Transformer和多注意力机制的CT图像稀疏重建方法研究.pdf

摘要

计算机断层成像(ComputedTomography,CT)是医学成像领域中应用最为广泛的

成像模态之一，可以提高疾病诊断的准确性，在临床诊断中往往扮演着关键角色。

但是，成像过程中使用的X射线会在一定程度上对人体造成辐射暴露，增加患癌的

风险。因此，低剂量CT成为了当前医学成像领域的研究热点之一。低剂量CT的实

现方法之一是以稀疏扫描方式采集投影数据。然而由于投影角度不完备，使用传统

的解析法稀疏重建出来的CT图像通常会包含严重的条状伪影，降低了图像的可用

性。

近年来，深度学习在图像处理中取得了显著的进展，其中一个主要原因是可以

有效建模低质量图像与高质量图像之间复杂的非线性映射。以卷积神经网络

（ConvolutionalNeuralNetwork,CNN）为代表的方法可以很好地捕获图像的局部特

征，但是建模长程依赖的能力有限。而Transformer可以很好地建模全局信息和长程

依赖关系。因此，本文旨在将两者有机地耦合在一起，实现高精度CT图像稀疏重建。

本文主要工作如下：

1、提出了一种Transformer增强型U-net网络（TransformerEnhancedU-net，

TE-unet）用于CT图像稀疏重建。该网络结合了CNN的局部特征提取能力和

Transformer的全局信息捕获能力，辅以多注意力机制，取得了良好的CT图像去条

状伪影效果。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。与四个经典网络相比，该网络实现了更高精度的

CT图像稀疏重建，展现了良好的性能。

2、在研究内容1的基础上，提出了一种混合注意力网络（MixedAttention

Network，MA-net）。引入多光谱通道注意力和线性注意力，在一定程度上缓解了窗

自注意力无法充分利用全局信息的问题，为建模长程依赖和捕捉全局信息提供了更

为灵活和有效的方式。与上一章所提网络相比，进一步提升了去条状伪影能力。

关键词：计算机断层成像技术；多注意力机制；稀疏重建；条状伪影；Transformer

I

目录

摘要I

ABSTRACTIII

1绪论1

1.1研究背景及意义1

1.2国内外研究现状2

1.2.1传统方法2

1.2.2深度学习法2

1.3文章结构4

2理论基础7

2.1CT成像基本原理7

2.1.1解析法基本原理8

2.1.2迭代法基本原理10

2.2卷积神经网络12

2.2.1卷积层12

2.2.2激活函数层12

2.2.3池化层13

2.2.4全连接层14

2.2.5输出层14

2.3Transformer14

2.4SwinTransformer18

2.5图像质量评价指标19

2.5.1图像质量评价标准19

2.5.2模型复杂度评价标准20

2.6本章小结20

3基于Transformer增强型U-net的CT图像稀疏重建21

3.1数据集的构建21

3.2网络结构设计21

3.2.1CCA块22

3.2.2Transfor