CT 重建入门到前沿：我整理了 392 篇论文、44 个工具包和 41 个数据集（附选型建议）

做 CT 重建的同学大概都踩过这几个坑：想找稀疏视角或低剂量方向的代表作，搜出来一堆二手解读；想复现一篇论文，发现它用的数据集只有图像域、根本没有原始投影；想选个投影算子库，TIGRE、ASTRA、torch-radon 各说各的好。

我一直在整理 CT 重建方向的资料，最近把它做成了一个开源列表和网站：Awesome Computed Tomography。这篇文章不只是介绍项目，也把整理过程中总结的一些选型经验分享出来，希望对入门和做课题的同学有用。

项目地址：https://github.com/cslht11/awesome-computed-tomography
网站（支持搜索，有中文版）：https://computedtomography.org/

一、收录了什么

目前收录 392 篇论文（时间跨度 1917–2026），其中 84% 为同行评审发表，另有 44 个工具包、41 个数据集、19 个基准与挑战赛。覆盖 CT、CBCT 和显微 CT。

论文按方向分为 17 类，括号内为篇数：

• 综述与回顾（23）
• 经典与迭代重建（68）
• 稀疏视角 CT（136）
• 有限角层析（44）
• 低剂量 CT 去噪（58）
• 金属伪影校正（21）
• 能谱与双能 CT（18）
• 锥束 CT（66）
• 动态与 4D CT（21）
• 散射校正（11）
• 几何标定与运动补偿（25）
• 深度展开与基于模型的学习（68）
• 自监督与免训练方法（32）
• 扩散与生成式先验（55）
• 隐式神经表示（24）
• 高斯溅射（24）
• 其他主题（29）

一篇论文可以同时属于多个方向，所以各类之和大于总数。

每条论文都标注了出处和年份，每个链接都对照 Crossref、arXiv 或出版方记录逐条核验过。预印本会单独标出，不会和正式发表混在一起。

二、刚入门，建议这样读

如果你刚进组、方向还没定，可以按这个顺序：

1. 先读两三篇综述建立全局观。比如 Nature Machine Intelligence 2020 年的 Deep Learning for Tomographic Image Reconstruction，以及 TRPMS 2024 年的 A Review of Deep Learning CT Reconstruction From Incomplete Projection Data。
2. 补经典方法：FBP、SART、TV 正则化这些是后面所有深度方法的对照基线，绕不过去。
3. 再按课题进入具体方向。稀疏视角是列表里论文最多的方向（136 篇）；扩散先验、隐式神经表示和高斯溅射则是近几年兴起的新方向。

三、工具包怎么选

44 个工具包里，做重建最常用的大概是这几个：

• TIGRE：GPU 加速的锥束和平行束工具箱，自带 FDK、SART、SIRT、CGLS 及 TV 变体，MATLAB 和 Python 都能用，上手快。
• ASTRA Toolbox：历史最久的研究型工具箱，投影几何和算法覆盖面广，很多论文拿它当参照基线。
• torch-radon：PyTorch 里的可微分 Radon 变换和 FBP，适合把投影算子嵌进网络端到端训练。
• DeepInverse：面向成像逆问题的 PyTorch 库，物理算子、学习型去噪器、展开网络和基准测试都有。
• LEAP：LLNL 出品，做三维透射 CT 的基于模型迭代重建，工程化程度高。
• TomoPy：同步辐射显微/纳米 CT 方向的参照工具箱。

我的经验是：做传统迭代或需要复杂几何，先用 TIGRE 或 ASTRA；要和深度网络联合训练，优先 torch-radon 或 DeepInverse；做同步辐射，直接 TomoPy。

四、选数据集前，先看清它是哪个域

这是整理过程中我觉得最值得说的一点。很多 CT 数据集只提供重建好的图像，没有原始投影。用这类数据做“重建”，本质上是在图像上自己仿真投影，无法检验你的方法在真实投影数据上的表现。

所以列表里每个数据集都标注了数据类型：

• 投影域 + 图像域：既有原始投影又有参考图像，可以端到端评估。例如 LoDoPaB-CT、Mayo Clinic 的 LDCT-and-Projection-data、2DeteCT。
• 仅投影域：只有原始数据，例如 Walnut-CBCT、Helsinki Tomography Challenge 2022。
• 仅图像域：只能做图像后处理，无法检验投影模型，例如 LIDC-IDRI、DeepLesion、CT-RATE。

几个常用数据集的细节也值得注意：

• LoDoPaB-CT 只有单一噪声水平（N0 = 4096），其他剂量需要自己重新仿真。
• LDCT-and-Projection-data 的降剂量投影是仿真的：头部和腹部为常规剂量的 25%，胸部为 10%。
• 2DeteCT 是 5,000 张真实采集的二维切片，有三个剂量水平，适合做真实数据上的可复现对比。

另外，每个数据集都标了许可，用之前要看清楚。比如 LDCT-and-Projection-data 的胸部和腹部数据目前为 CC BY 4.0，可商用但须署名引用；头部数据因可能重建出人脸，需要按 NIH 受控访问流程申请。

五、对比方法，用这些基准

19 个基准与挑战赛里，几个常用的：

• AAPM DL-Sparse-View CT Challenge（2021）：二维乳腺 CT 仿真，128 视角理想无噪声扇束投影，提供 4000 组训练数据、100 例测试，按 RMSE 公开排名，是稀疏视角深度学习方法的常用参照。
• Helsinki Tomography Challenge 2022：真实测量的有限角数据。冠军是纯深度学习方案（在合成数据上训练），而唯一采用经典模型方法的 CIL 团队拿了季军，说明传统迭代方法在有限角任务上依然有竞争力。
• SPARE Challenge：胸部 4D 锥束 CT 重建，动态 CBCT 的参照基准。
• DeepInverse benchmark suite：统一的 PyTorch 基准框架，适合把新方法和强通用求解器放在一起比。

六、关于项目

• 网站和 README 由同一份结构化数据生成，中英文双语。
• 网站支持搜索，可按论文、工具包、数据集等栏目浏览。
• 内容采用 CC BY-NC-SA 4.0 许可，引用的论文、数据集和工具请遵守各自的原始许可。
• 项目由我个人维护，不接受 PR。发现错误、遗漏或想推荐论文，欢迎提 issue，或发邮件到 heitieya@163.com。

如果这份资料对你有用，欢迎 star。更希望大家指出遗漏：你所在方向还有哪些值得收录的论文、工具或数据集？评论区告诉我，我会核验后补充进去。