基于牛顿法的发射断层成像数据驱动重建技术
图像与视频处理
2021-10-25 v1 人工智能
计算机视觉与模式识别
机器学习
医学物理
摘要
在这项工作中，我们提出了深度牛顿重建网络（DNR-Net），一种受著名迭代优化算法牛顿法启发的、用于发射断层成像的混合数据驱动重建技术。DNR-Net 利用投影算子提供的关于断层成像问题的先验信息，同时采用深度学习方法以 a) 通过近似牛顿下降方向来模仿牛顿法，以及 b) 提供数据驱动的正则化。我们通过将 DNR-Net 应用于从含噪正弦图（每个含 24 个投影）重建图像，证明了其能够利用 SPECT 体模仿真数据提供高质量图像重建。结构相似性指数（SSIM）与对比度噪声比（CNR）被用于量化图像质量。我们还将我们的结果与 OSEM 方法所得结果进行比较。根据定量结果，DNR-Net 产生的重建图像与 OSEM 产生的相当，同时具有更高对比度和更少噪声。
引用
@article{arxiv.2110.11396,
title = {A Data-Driven Reconstruction Technique based on Newton's Method for Emission Tomography},
author = {Loizos Koutsantonis and Tiago Carneiro and Emmanuel Kieffer and Frederic Pinel and Pascal Bouvry},
journal= {arXiv preprint arXiv:2110.11396},
year = {2021}
}
备注
7 pages, 4 figures, Proceedings