摘要：针对传统的CT重建方法重建后的图像存在噪声污染严重、伪影残留较多的问题,提出一种基于深度学习的方法对投影数据和重建图像进行联合优化。首先,为了提高投影域网络的特征提取能力,设计了一种基于空间注意力机制的上采样插值网络,利用注意力机制快速定位投影数据中的重要信息,通过上采样插值对投影域信息进行补充;其次,为了减少传统深度学习算法中多通道投影域数据融合成单通道数据进行滤波反投影过程中所造成的部分投影信息丢失,直接对多通道投影数据进行反投影操作,从而避免了投影域信息的丢失;最后,利用U-Net网络在图像后处理中良好的去噪性能,对重建图像进行进一步优化,得到最终结果。为验证所提出网络的有效性,在临床数据集上进行了实验,并与滤波反投影(FBP)算法、全变分(TV)算法、残差编解码卷积神经网络(RED-CNN)算法、智能反投影网络(iBP-Net)算法进行了比较。实验结果表明,所提方法能够有效地改善重建图像的质量。与对比算法相比,新算法显著地降低了重建结果图的噪声及伪影,且保留了更多的细节。