在医学影像领域，稀疏视角CT技术因可减少辐射剂量、缩短扫描时间，具有重要应用潜力，但传统方法难以兼顾稀疏采样下高质量重建与高效重建的需求。隐式神经表示技术凭借较强的特征拟合能力，能从有限的稀疏视角数据中重建出高质量的CT图像，在保留关键图像细节的同时降低辐射与扫描成本，为稀疏视角CT重建提供了有效路径。但隐式神经表示在CT重建中的应用受限于实时性不足的问题，单样本重建耗时较长，难以满足介入诊疗和术中引导等场景对实时成像的需求，限制了该技术在实际场景中的应用潜力。
针对这一问题，上海科技大学信息科学与技术学院张玉瑶课题组和娄鑫课题组合作提出实时稀疏视角CT重建框架RTSyner，通过软硬件深度协同设计，有效提升了基于隐式神经表示重建方法的实时性能，实现了性能和速度的双重优化。为达成实时化目标，RTSyner从算法与硬件两端同时进行优化：算法层面，引入图像局部特征作为先验信息，融合特征与空间坐标数据，使模型快速稳定地学习目标CT图像的表示，提升了算法框架的泛化能力；硬件层面，采用专用硬件架构及定制化算法流，搭配高效并行计算模块，在提升重建速度的同时降低功耗，进一步强化实时性能。RTSyner实现了基于隐式神经表示CT重建的实时化提升，将单张512*512尺寸图像的重建时间从6分钟压缩到10毫秒，为该项技术在稀疏视角CT场景的实用化推进提供了可行路径。
图：RTSyner软硬件协同实时重建框架。该框架针对稀疏视角CT重建的实时性瓶颈，联合优化隐式神经表示模型与专用硬件加速器，实现了高质量、高速度、低功耗的实时重建。
该研究以“A Real-Time Neural Representation via Algorithm-Hardware Synergy for Sparse-View CT Reconstruction”为题发表于人工智能领域国际期刊 IEEE Transactions on Neural Networks and Learning Systems。信息学院博士研究生李馨、万浩川、龙康杰为论文共同第一作者，信息学院张玉瑶教授和娄鑫教授为共同通讯作者，上海科技大学为第一完成单位。
沪公网安备 31011502006855号