基于深度神经网络，本论文提出了一个训练于大量精心制作的合成数据上的模型，可以进行受限角度的断层投影重建，即便仅有 30° 或 40° 的正弦图像，取得了 2022 年赫尔辛基断层成像挑战赛的第一名。

Sep, 2023

利用多尺度小波域残差学习架构结合先前方向性和全局分布性偏差的观察提出的新方法，可以有效消除有限角度下的 CT 图像伪影并保留图像的边缘和全局结构性。

Mar, 2017

使用基于深度学习的方法改善锥束计算机断层摄影（CBCT）图像质量的研究中，通过综述各类 CBCT 图像的伪影问题的成功和不足，重点放在伪影类型而非神经网络结构上，以综合评估各类伪影的数据生成、模拟流程和伪影降低技术，并概述了在 3D 和 4D CBCT 中通过投影域和 / 或体域优化以及将神经网络直接引入 CBCT 重建算法而成功降低伪影的深度学习技术，同时指出研究的空白为未来的探索提供了方向，发现使用了生成模型包括 GANs 和基于分数或扩散模型，并呼吁拥有更多多样化和开放的训练数据集和模拟数据。

Mar, 2024

本文采用基于共识均衡框架的两步法，结合使用条件生成对抗网络 (cGANs) 处理数据和图像领域，解决安全领域的 90 度局部角度问题，并能应用于其他数据有限的领域，例如电子显微镜、无损评估和医学成像。

Aug, 2019

计算机断层扫描（CT）中，通过一组获取到的投影图像计算出物体内部结构的图像。为了提高重建图像的质量，常常对这些获取到的投影图像进行多个去伪影步骤的处理。近年来，深度学习方法在 CT 造影图像去伪影方面显示出了很好的结果。然而，大多数现有的 CT 深度学习方法是在重建之后进行后处理的。因此，这些方法可能不能有效去除在重建域中相对难以去除的伪影。作为替代，我们提出了一种多阶段深度学习伪影去除方法，其中神经网络在几个领域中应用，类似于传统的 CT 处理流程。我们展示了这些神经网络可以有效地连续训练，从而实现易用和计算高效。对模拟和真实实验数据集的实验证明，我们的方法在减少伪影方面是有效的，并且优于基于深度学习的后处理方法。

Sep, 2023

基于深度神经网络的数据驱动方法相较于传统方法，能够更稳定地重建有限角度 Radon 变换中的信息。

Mar, 2024

为了应对 X-ray CT 低剂量扫描中复杂噪声的问题，提出了一种基于方向小波变换和深度卷积网络的去噪算法，实验结果证实该算法能够有效去除噪声并在 CT 重建中取得良好效果。

Oct, 2016

本文提出一种将基于模型的稀疏正则化与数据驱动的深度学习相结合的混合重建框架，通过剪切波变换的分解，将可见和不可见分量分别处理，使神经网络只需要学习不可由基于模型方法处理的部分系数，提高了在有限角度计算机断层扫描中的重建性能。

Nov, 2018

本文旨在探讨科学机器学习中的一个基本问题，即基于深度学习的方法是否能够将无噪声的反问题精确解决。作者通过提供证据证明了这一问题。本文着重研究了一个典型的计算机断层扫描（CT）问题，并且通过迭代的端到端网络方案以及数据驱动的校准步骤，展示了该方案能够使 CT 重建达到数值精度，与基于压缩感知策略的方法相当。作者同时也在本文中展示了方法的优越表现。

Jun, 2022

本文提出一种基于卷积神经网络的系统，通过隐式正演补偿完全角度之外的有限角度 CT sinogram，再进行分析和迭代重建技术，最终得到优于竞争模型的三维重建结果，并提出新的重建可信度评估方法以及通过分割实验证明了该方法有效性。

Nov, 2017