基于非负 INR 因子化的动态 PET 图像重建
计算机视觉与模式识别
2025-06-25 v2
摘要
从含噪投影数据中重建动态正电子发射断层扫描（PET）图像是一个重要但具有挑战性的问题。在本文中，我们引入了一种无监督学习方法——非负隐式神经表示因子化（\texttt{NINRF}），该方法基于未知图像的低秩矩阵因子化，并采用神经网络来表示系数和基。在数学上，我们证明如果一系列动态 PET 图像满足广义非负低秩性质，它可以被分解为一组在时间-空间域中变化的非负连续函数。这将成熟的非负矩阵因子化（NMF）与连续函数联系起来，我们提出使用隐式神经表示（INR）将矩阵与连续函数连接起来。神经网络参数通过最小化 KL 散度获得，并对系数和基施加额外的稀疏正则化。在具有泊松噪声的动态 PET 重建上的大量实验证明了所提方法相比其他方法的有效性，同时给出了物体详细几何特征和区域浓度变化的连续表示。
关键词
引用
@article{arxiv.2503.08025,
title = {Dynamic PET Image Reconstruction via Non-negative INR Factorization},
author = {Chaozhi Zhang and Wenxiang Ding and Roy Y. He and Xiaoqun Zhang and Qiaoqiao Ding},
journal= {arXiv preprint arXiv:2503.08025},
year = {2025}
}