一种基于学习半二次分割的快速高质量工业锥形 CT 重建算法
图像与视频处理
2025-01-24 v1 机器学习
摘要
工业 X 射线锥形 CT (Cone-beam CT, CBCT) 扫描仪在科学成像和无损检测中广泛应用。工业 CBCT 扫描仪使用包含数百万像素的大型探测器，后续的 3D 重建规模可达数十亿体素。为了获得使用典型解析算法时的高质量重建，扫描需要收集大量投影/视图，导致测量时间较长——限制了技术的实用性。基于模型的迭代重建 (Model-based iterative reconstruction, MBIR) 算法可以从快速稀疏视图 CT 扫描中产生高质量重建，但计算代价高昂，因而在实际中被避免。单步深度学习 (Deep Learning, DL) 基于方法已显示，可以从稀疏视图数据中获得快速高质量的重建，但对分布外场景的泛化性较差。本文提出一种基于半二次分割的算法，利用卷积神经网络 (CNN) 在保持高质量稀疏视图锥形 CT (CBCT) 测量的同时，克服了典型方法的挑战。该算法在 CNN 和共轭梯度 (Conjugate Gradient, CG) 步骤之间交替进行，以实现数据一致性 (Data Consistency, DC)。该方法在公开可用的 Walnuts 数据集上超越了其他方法。
引用
@article{arxiv.2501.13128,
title = {A Learnt Half-Quadratic Splitting-Based Algorithm for Fast and High-Quality Industrial Cone-beam CT Reconstruction},
author = {Aniket Pramanik and Singanallur V. Venkatakrishnan and Obaidullah Rahman and Amirkoushyar Ziabari},
journal= {arXiv preprint arXiv:2501.13128},
year = {2025}
}