中国科学院合肥物质科学研究院王宏志教授团队近期在《神经网络》期刊发表研究成果，提出了一种名为MDPRNet的多阶段、双域、渐进式协同训练网络，用于改善稀疏视图计算机断层扫描（CT）的重建质量。

稀疏视图CT技术通过减少投影角度来降低患者辐射剂量并缩短扫描时间，但角度减少常导致图像出现条纹伪影，影响诊断准确性。现有深度学习方法通常需针对不同视图条件训练多个模型，限制了实际应用的效率与灵活性。

研究团队设计的MDPRNet框架包含两项核心创新：一是多视图协同训练策略，将数据划分为超稀疏与稀疏视图组，使单一模型能适应多种采样条件，减少不同视图间隔的性能波动，提升极端稀疏场景下的稳定性；二是多阶段双域渐进架构，整合正弦图域与图像域特征，并通过带注意力机制的跨阶段特征适配器优化特征融合，逐步改善重建结果。

在公开及自建CT数据集上的测试表明，MDPRNet在所有稀疏视图条件下均保持较高重建精度与鲁棒性，性能优于已有方法。王宏志教授表示：“该模型解决了不同稀疏视图设置的自适应问题，显著提升了重建精度与泛化能力。”