用流匹配做稀疏视角CT重建：复用速度场把网络评估次数降到7次，重建质量仍与扩散模型相当

提出首个面向CT重建的流匹配框架FMCT，把流匹配的确定性ODE采样与基于物理的数据一致性校正结合，用于稀疏视角CT这一欠定逆问题。 此前稀疏视角CT的生成式重建主要由扩散模型主导，其前向加噪与反向去噪以随机微分方程建模，随机性与反复的数据一致性校正相互干扰，形成“推拉”效应；本文改用确定性ODE输运，使采样轨迹平滑、与重复校正更协调。 论文给出方法推导（欧拉更新、线性外推估计终端样本、共轭梯度实现数据一致性），并在AAPM与Decathlon两个公开数据集、20/40视角平行束设置下与FBP、ADMM-TV、DPS、MCG、PGDM、DDS对比。

提出速度场复用策略：在时刻t算出速度后，最多连续M步复用同一速度，并用数据一致性残差的自适应判据决定是否继续复用，从而直接减少NFE。 该策略基于作者观察到的相邻步预测速度场高度相关（图1余弦相似度）这一经验事实，把“每步都重新评估网络”视为冗余；与仅靠确定性采样器减少步数的做法不同，它减少的是每步的网络评估而非步数本身。 消融实验在21张随机选取的测试CT图像、总迭代固定为50步下进行：过早启用复用会先降性能，延后启用逐步改善PSNR/SSIM；复用上限先增后降，显示质量与效率的权衡。EFMCT在所有实验中采用第一步之后启用、最多连续复用10步、松弛因子η=1.05。

给出理论分析：单步复用相对标准欧拉更新的局部偏差为O(Δt²)，与欧拉离散化误差同阶；在复用步数M有界且数据一致性校正对其图像参数非扩张时，一个复用块后的累积偏差为O(M²Δt)。 这为“复用速度场不会破坏收敛”提供了可证明的依据，而不仅是经验上的加速技巧，把效率提升与误差控制联系起来。 命题1在速度场对x与t局部Lipschitz、更新增量有界的假设下给出证明，附录给出完整推导。

在两个公开CT数据集上，FMCT/EFMCT在多数数据集与视角配置下PSNR/SSIM处于较高水平，同时NFE与计算时间显著低于扩散类基线。 相对最高效的扩散基线，FMCT在AAPM 40视角为25次NFE、1.92秒（约降50%），EFMCT为7次NFE、0.83秒（约降75%与78%）；Decathlon上EFMCT为11次NFE、1.72秒（约降89%与78%）。EFMCT相对FMCT PSNR与数据保真度略降，但SSIM相当或更好。 表1报告PSNR、SSIM与数据保真度的均值与标准差，表2报告LPIPS；图3给出跨数据集与视角的视觉对比，并指出ADMM-TV虽PSNR/SSIM高但重建过于平滑、缺少细节。

该工作面向稀疏视角CT重建，实验在AAPM 2016低剂量CT挑战数据（9名患者训练、患者L506测试）与Medical Segmentation Decathlon Task_06 Lung（10名患者训练、患者017测试）上进行，采用ASTRA Toolbox仿真的20视角与40视角平行束投影，作者说明选择平行束是为减少几何复杂性带来的混杂、便于隔离重建方法本身的影响。方法上，数据一致性用共轭梯度实现，但框架声明兼容其他数据一致性方案；作者也指出FMCT/EFMCT不依赖几何特定假设，可通过修改前向算子扩展到其他采集几何。因此该结果适用于以仿真稀疏视角平行束数据为设定、关注推理效率与重建质量权衡的研究与工程场景，代码已开源。

读者仍会关心：速度场复用带来的效率优势在真实扫描数据、其他采集几何（如锥束、有限角）与噪声条件下是否保持；EFMCT相对FMCT在PSNR与数据保真度上的轻微下降在临床判读中是否可接受；复用上限M与启用时机的最优选择是否依赖数据集与视角数；以及理论分析所依赖的Lipschitz与有界增量假设在实际训练模型上成立的程度。此外，本文为全文解析，图1与图4的具体数值曲线未在文本中逐点给出，若需精确的相似度与消融数值，仍需查阅原图。