本文提出了一种基于深度学习的逆 Radon 变换方法，可完成端到端的扫描成像重建，其网络结构包含一个可学习的全连接滤波层和一个可学习的正弦反投影层，通过 ImageNet 数据库的训练获得了较好的病患数据的重建结果。

Aug, 2018

我们提出了一种基于深度学习的计算算法来破解局部径向设定下的圆形 Radon 变换，该变换在光声断层扫描中出现。我们首先证明了截断奇异值分解方法，这是唯一可用于解决此问题的传统算法，会导致严重的伪影从而使重建场景没有用武之地。为了克服这个计算瓶颈，我们训练了一个基于 ResBlock 的 U-Net，以直接通过测量数据恢复推断场景。在噪声全视图和有限视图数据存在的情况下，使用增强 Shepp-Logan 幻影的数值结果，证明了所提出算法的优越性。

Aug, 2023

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

本文提出了一种基于深度卷积神经网络的数据驱动学习方法，用于在限角摄影术下提取和抑制 FBP 重建的特定伪影。 实验结果的定性和定量评估表明，该方法在伪影抑制和细节恢复方面表现出稳定和有前途的性能，为从有限投影数据中重构出的图像质量的提高提供了简单和高效的途径。

Jul, 2016

我们提出了一个名为 Deep Radon Prior (DRP) 的全无监督框架，通过将神经网络作为一个隐性先验引入迭代方法中，解决了现有方法中的一些限制。该方法在逐步优化神经网络的多个阶段中，在 Radon 域中缩小了欠约束成像协议的解空间，并讨论了所提方法的收敛性。与常用的预训练方法相比，该提出的框架不需要数据集，同时具有更好的可解释性和泛化能力。实验结果表明，该方法能够生成细节图像并有效抑制图像伪影，同时与有监督方法相比，DRP 的性能相当或更好。

Dec, 2023

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

本研究提出一种新颖的自监督方法，用于低剂量计算机断层扫描（LDCT）重构，结果表明该方法在降低剂量的情况下能够在 CT 图像质量方面取得更好的效果。

Dec, 2023

在本文中，我们研究了一种技术，通过非线性正演模型直接从原始测量数据中重建信号。尽管这种优化是非凸的，但我们证明了梯度下降算法可以以几何速度收敛到全局最优解，使用近乎最小数量的随机测量完美重建基础信号。我们还通过对优化变量施加先验结构信息的约束，在信号的维度明显小于测量数量的欠定设置中证明了类似的结果。我们通过合成和真实三维体积上的锥束 CT 实验展示了直接非线性 CT 重建的好处，并证明与经商业重建的带金属牙冠人类头骨相比，这种方法能减少金属伪影。

Oct, 2023

本文提出了一种部分学习方法，用于解决具有非线性正演算子的病态反问题。该方法利用经典正则化理论和深度学习的最新进展，通过对反问题的先验信息进行编码的正演算子、噪声模型和正则化函数来进行学习，其中包含每次迭代中的数据差异和正则化器的梯度做为卷积神经网络的输入。实验表明，与 FBP 和 TV 重建相比，所提出的方法在保证速度的同时，能够在 512 x 512 体积内产生 5.4dB 的 PSNR 提升。

Apr, 2017