稀疏视角 CT 重建

用物理引导的深度学习，从少量投影中重建 CT 图像。这是我的本科毕业设计，在新加坡 A*STAR I2R 研究实习期间完成。

分类: 机器学习
发布于: 2026年5月
技术栈: PyTorch
3D U-Net
VGGT
Transformer
Singularity
NSCC HPC

问题

常规 CT 需要从数百个角度采集投影。减少投影数量可以降低辐射剂量、缩短扫描时间，但经典的滤波反投影（FBP/FDK）会因此产生严重的条纹伪影，重建也变成了一个病态的逆问题。

我做了什么

用 PyTorch 搭建完整流程：数据预处理、模型训练与定量评估。
实现并对比了三种架构——3D U-Net、VGGT 和 Transformer，把物理先验（滤波反投影约束）与深度学习结合起来。
在 NSCC 超算集群上用 Singularity 容器完成三组消融实验，调整学习率策略和损失函数组合。

结果

在 30 个投影的设置下，最佳模型相比传统 FDK 基线提升了 +10 dB PSNR 和 +0.5376 SSIM。项目按期完成了中期报告和视频答辩。

背景

新加坡 A*STAR 资讯通信研究院（I2R）· 2026 年 1 月 – 5 月