稀疏视角计算机断层扫描（CT）通过减少投影数降低辐射剂量，但传统的采样策略主要针对图像重建，未考虑下游物理推断。本文研究在稀疏CT血管造影（CTA）下直接预测血流动力学的任务感知投影选择。我们使用颅内动脉瘤的计算流体动力学（CFD）模拟生成合成扇形束CTA投影，并训练傅里叶神经算子（FNO）预测两类目标：空间分辨的时间平均壁面剪切应力（TAWSS）场以及其空间平均值。FNO 与最优输入选择相耦合，实现同步的采样优化与模型训练。我们比较了固定的均匀采样、黄金角采样以及三种任务感知的最优选择策略：Gumbel‑Softmax、Soft top‑K 和基于智能体的 Agentic AI 选择器，在不同的视角预算下进行评估。结果显示，对于空间分辨的 TAWSS，Agentic 和 Soft top‑K 获得最低的平均误差，Agentic 略优，并在极端稀疏条件下显著优于固定采样；对于空间平均的 TAWSS，只有在极度稀疏时最优选择才表现出优势。对选取的掩码进行分析发现，多个不同子集集中在信息丰富的区域。值得注意的是，为血流动力学预测优化的掩码在图像重建上表现不佳，说明任务最优采集与重建最优采集本质不同。本工作展示了围绕下游物理量直接设计稀疏采集的可能性。
点评：智能体能够自适应发现对血流动力学最关键的投影位置，在极端稀疏下仍保持预测精度，提示未来医学成像可从任务出发重新定义采样策略。