计算机断层扫描成像(CT)是临床医学中广泛使用的一种医学图像，它可以清晰地可视化人体内部精细结构细节。在临床操作中，为防止患者暴露在高辐射X射线束下引起组织受损，通常最小化X射线以获得CT图像，但会导致成像质量严重下降。为解决上述矛盾，如何重建出符合临床需求的CT图像是国内外研究者广泛关注的、具有挑战性的难点问题。随着人工智能领域深度学习技术的蓬勃发展，在大数据驱动下，利用深度学习技术来提升CT重建质量成为当前研究热点。本文分析了CT图像重建机理；总结了现有重建模型并梳理了重建方法的优劣势，根据深度学习方法的成像过程，将现有方法分为4大类，并依次介绍4类方法的基本思想，总结了重建方法优缺点；归纳了目前公开的公共数据集以及增加训练样本方法，并对损失函数的多样性进行对比分析；讨论了该新兴领域目前仍然存在的问题，展望了后续研究中需要解决的关键问题，以便于相关研究人员了解CT重建领域的研究现状，促进该领域的长足发展。

国家自然科学基金资助项目(61872261);国家自然科学基金重大项目资助(U21A20469)；

1 CT图像成像概述
2 传统方法在CT图像重建中的应用
2.1 正弦图域滤波方法
2.2 迭代重建方法
2.3 图像后处理重建方法
3 深度学习方法在CT图像重建中的应用
3.1 投影域CT图像重建
3.2 图像域CT图像重建
3.3 双域网络CT图像重建
3.4 直接映射CT图像重建
4 常用数据集及损失函数
4.1 常用数据集及增加训练样本的方法
4.2 损失函数的多样性
5 挑战与展望
1) 模型可解释性问题。
2) 模型泛化性问题。
3) 算法的不稳定性问题。
4) 训练数据集的质量和数量。
6 结束语

李青,李润睿,强彦,成煜斌,王涛.人工智能在医学CT图像重建中的研究进展[J].太原理工大学学报,2023,54(01):1-16.DOI:10.16355/j.cnki.issn1007-9432tyut.2023.01.001.