weixin_55471672的博客

Computed Tomography（CT，计算机断层成像）技术作为如今医学中重要的辅助诊断手段，也是医学图像研究的重要主题。如今，随着深度学习对CT重建、CT分割的研究逐渐深入，论文开始越来越多的利用CT的每一个环节，来扩充Feature或构造损失函数。但是每到这个时候，一个问题就出现了，如果我要构造损失函数，我势必要保证这个运算中梯度不会断掉，否则起不到优化效果。

github开源代码python API文档作为一个纯计算机背景的小白，关于CT的相关工具，专业课是一点没有呀，好不容易找到一个库，网上居然一个教程都没有。所以自己写一个简易的快速上手的教程，希望能帮到同样使用这个库的人。LEAP这个库的好处在于，它利用pytorch.autograd进行实现，也就是他的输入和输出都是tensor，这实际上十分便于神经网络过程中添加一些这样的投影计算，也可以用来计算loss，真的非常棒。库的安装大家可以查看开源代码，或许过几天我会写一个安装教程也说不定。

论文连接代码连接需要格外注意优化去噪模型这一部分，方法太密集了，整篇论文的核心就在其中。

好不容易写完了这么长的一篇，整体看来，这篇文章更像是对去噪过程的一个改进。通过在不同时间步引入对应的条件，来控制图像的生成。文章中所有的译者注中举例都按照从X光复原CT图像这个问题出发，因为导师给的任务是这个。

由测量得到的投影数据恢复到真实的CT图像，这一任务目前分为两类算法，第一种就是以反向投影FBP为主的算法，第二类则是迭代的算法（IR），本文所提到的SART和其改进版本OS-SART均为迭代算法，即需要一定的运算时间。对于算法的证明与解析本文并不涉及，只是单纯从下面这篇论文中翻译对应的部分罢了。因为发现网上对于OS-SART的解析甚少。