医学影像学中的光子计数计算机断层扫描（PCCT）是解决现有技术所面临的空间分辨率有限、电子噪声干扰和对比噪声比低的问题的创新性技术。本文综述了 PCCT 在临床前研究中的最新发展和应用，强调了其克服传统成像局限的潜力，特别是在改善乳腺细微异常检测方面的显著效果。文章通过分析现有的 PCCT 相关文献，全面阐述了该技术的主要特点以及其广泛的应用领域，并探讨了将深度学习和放射组学特征结合到 PCCT 中并进行成功数据处理的研究。同时，文章也讨论了该领域存在的挑战，并为未来的研究和改进医学影像技术铺平了道路。尽管目前关于该主题的文章数量有限，但由于 PCCT 在临床层面的最新整合，其潜在好处可应用于各种诊断应用。

Feb, 2024

提出了一种利用基于分区汉克尔的扩散模型进行少量剂量 CT 重建的方法，该方法通过结构化张量从多个分区汉克尔矩阵中提取先验知识，利用迭代随机微分方程求解器以及数据一致性约束来更新获得的投影数据，并引入惩罚加权最小二乘和总变差技术以提高图像质量。结果表明，PHD 模型在减少伪影和噪音的同时保持图像质量方面表现出色。

May, 2024

通过使用先前数据分布，我们提出了一种方法，从少量（＜5）平面 X 射线观察中生成 CT 体积，并首次评估了该重建算法用于临床应用：放疗计划。

Aug, 2023

本文提出了一种名为 XTransCT 的新型 Transformer 架构，可从二维 X 光图像中实时重建 CT 图像，该方法在图像质量、结构可靠性和普适性方面优于其他方法，并且可以在重建 3D 图像的同时实现约 300％的速度提高。

May, 2023

利用生成的辐射场，本文提出了基于不确定性感知的 MedNeRF 神经网络，通过从 2D X 射线图像中获取内部结构和深度信息，并使用自适应损失权重来学习 CT 投影的连续表达，以确保生成图像的质量。在公开可用的膝盖和胸部数据集上训练，以及利用单个 X 射线进行 CT 投影渲染，并与其他基于生成的辐射场的方法进行比较。

Nov, 2023

通过使用 U-NET 模型，可以成功地改进低剂量 CT 图像的质量，提供了比其全剂量版本更好的诊断图像。

Oct, 2023

评估不同深度学习方法和经典方法在 CT 图像恢复中的鲁棒性，发现深度网络更容易受到未定向攻击的影响，数据一致性不受重建质量影响，需要更好的正则化方法。同时，深度网络和经典方法都容易受到对局部病变产生可见变化的攻击的影响，这些攻击可以用于探索 CT 恢复问题的解空间。

Feb, 2024

该研究开发了一种基于视觉转换的非对称自编码器网络，可以从 2D 的 kV 图像中重建出 3D CT 图像，实现了患者定位精度的提高。

Apr, 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

本研究展示了基于深度学习的卷积神经网络可以重构二维 X 光成为三维体积，通过将粗略的，固定分辨率的体积与输入的 X 光融合成高分辨率的体积，以实现更加精细化的成像。同时，研究团队还创建了一个新的数据集，其中包括了将近 50 万个 175 个哺乳动物物种的计算机模拟二维 X 光成像的数据，为以前基于层析成像和数据驱动学习的方法提供了比较和验证，并应用于实际 X 光成像数据的重构和渲染。

Oct, 2017