深度断层重建是一种计算成像技术，它应用深度学习模型从投影测量中重建截面图像，例如在X射线计算机断层扫描（CT）、正电子发射断层扫描（PET）或电子显微镜中获取的数据。与依赖成像系统显式数学模型的经典方法不同，深度方法直接从大型数据集中学习从原始传感器数据或低质量重建到高保真图像的映射。这一领域在2010年代中期兴起，得益于神经网络架构的进步和大规模医学影像数据集的可用性。
断层重建的核心挑战是一个逆问题：给定物体的线积分（投影）集合，估计物体的空间分布。经典算法，如滤波反投影（FBP）和迭代重建，已得到充分发展，但通常需要大量投影以避免伪影，且计算成本可能较高。深度断层重建旨在通过利用学习到的先验知识来克服这些限制，从而能够从更少的投影、更低的辐射剂量或噪声测量中实现准确重建。
神经网络架构
大多数深度断层重建方法采用卷积神经网络（CNN），特别是U-Net架构，该架构于2015年引入用于生物医学图像分割。U-Net具有带跳跃连接的编码器-解码器结构，使其能够捕获多尺度特征同时保留精细细节。在断层重建中，U-Net通常用于后处理：它们将初始FBP重建作为输入，输出校正后的图像，从而减少条纹伪影和噪声。
更先进的方法将神经网络直接集成到迭代重建循环中，这种策略称为展开优化。这些方法在数据一致性步骤（确保输出与测量投影匹配）和学习到的去噪或正则化步骤之间交替进行。示例包括学习型原始-对偶算法和ADMM-Net，它们用可训练网络替代手工设计的正则化器。这种混合方法结合了基于模型重建的可解释性与深度学习的表达能力。
训练数据与损失函数
训练深度断层重建模型需要成对的低质量输入和高质量真实图像数据集。在医学成像中，此类数据通常来自现有CT扫描的模拟投影，其中高剂量重建作为目标，低剂量或稀疏视图投影被模拟生成。公共数据集，如低剂量CT大挑战（2016）和AAPM CT淋巴结数据集，促进了基准测试。
损失函数在训练中起着关键作用。最常见的是均方误差（MSE），它惩罚逐像素差异，但可能产生模糊输出。基于预训练网络特征的感知损失和来自生成对抗网络（GAN）的对抗损失已被用于改善锐度和真实性。损失函数，如结构相似性指数（SSIM），也被作为感知质量指标的可微近似纳入其中。
应用与性能
深度断层重建在医学成像中找到了应用，它能够在保持诊断质量的同时实现剂量减少。例如，使用深度学习的低剂量胸部CT重建显示出比FBP更低的噪声，以及与迭代方法相当的性能。在工业无损检测中，深度方法从有限角度X射线扫描重建内部结构，适用于检查制造组件或考古文物。
在用于结构生物学的电子断层重建中，深度学习帮助从有限角度覆盖的倾斜序列中重建大分子的3D结构。该技术也已应用于地震断层重建，其中从波场数据估计地下属性。性能基准表明，深度方法通常实现优于经典方法的图像质量指标，如峰值信噪比（PSNR）和SSIM，特别是在稀疏视图场景中。
挑战与局限性
尽管取得了成功，深度断层重建仍面临若干挑战。泛化是一个关键问题：在特定扫描仪几何或组织类型上训练的模型可能在新数据分布上表现不佳。这在医学成像中尤其成问题，因为患者解剖结构和扫描仪硬件的差异很常见。研究人员已探索域适应和物理信息网络来缓解这一问题。
可解释性仍是另一个障碍。与具有明确数学保证的经典算法不同，深度网络通常被视为黑盒。这引发了监管和临床接受问题，因为放射科医生和监管机构需要对重建的可靠性有信心。解决这些问题的努力包括不确定性量化（网络输出置信图）和可解释AI技术的发展。
计算成本也很显著。训练深度模型需要大型GPU集群，推理可能比FBP慢，但仍比许多迭代方法快。数据增强技术，如随机旋转和噪声注入，用于提高鲁棒性，但并未完全解决泛化问题。截至2020年代初期，深度断层重建是一个活跃的研究领域，正在进行的混合模型、自监督学习以及与临床工作流中人工智能系统的集成工作仍在继续。