X射线CT成像作为一种非侵入式的成像方法，广泛应用于医学诊断、安全检查与无损检测等领域。有限角度CT是一种投影数据角度覆盖范围受限的扫描方式，其在动态成像、大型物体成像与新型几何CT（静态CT、C型臂CT、机械臂CT等）等场景具有广阔的应用空间。

5月16日，发表在医学成像领域国际权威期刊《IEEE医学成像汇刊》（IEEE Transactions on Medical Imaging, IF=10.048）上的一项最新研究中，清华我系辐射成像团队以“Sam’s Net: A Self-Augmented Multi-Stage Deep-Learning Network for End-to-End Reconstruction of Limited Angle CT” 为题，针对有限角度CT提出了一种全新的多阶自增广深度学习重建框架。

图1 Sam’s Net方法框架示意图

研究团队创新地引入可多阶扩展的自增广约束控制深度学习网络的流形空间，有效改善有限角度重建问题的欠定性。进一步为突破多阶自增广约束在优化稳定性与计算复杂度上的限制，研究团队提出了一种交替寻优的优化策略，实现各阶约束的并行优化。基于上述创新思想，研究团队构建了一种全新的端到端深度学习重建框架，该方法首次实现了网络流形约束与CT成像模型约束的结合。在训练过程中，通过自增广的方式不断缩小解空间；在推理过程中，通过多阶段推理逐步提升重建结果的数据一致性。针对人体躯干成像和头部成像的实验结果验证了方法对神经网络稳定性和鲁棒性的显著提升和对有限角度CT的高质量重建效果。

图2 自增广约束下的解空间示意图

图3 重建误差比较（DDNet、DCAR、SPECIAL 为领域内的其它最新深度学习方法， FBPConvNet 为一种典型的深度学习方法，ART-ATV为传统方法）

期刊副主编与论文匿名审稿人对论文工作给予了高度评价。该工作在有限角度CT重建中的优异性能有望拓展至低剂量CT重建、稀疏视角CT重建与金属伪影抑制等其它病态数据重建问题，也为有限角度CT扫描在动态成像（尤其是心脏4DCT成像）以及新型静态CT系统中的应用提供了更加坚实的基础。目前，研究团队正在围绕心脏高清动态成像，深入开展系统研发和重建算法研究工作。

suncitygroup太阳新城2019级博士生陈昶羽为论文第一作者，suncitygroup太阳新城陈志强研究员、邢宇翔研究员为论文共同通讯作者。该研究得到了国家自然科学基金和清华大学自主科研计划的大力支持。

论文链接：https://doi.org/10.1109/TMI.2022.3175529