正弦图域生成建模用于稀疏视角 CT 重建
图像与视频处理
2022-11-28 v1 计算机视觉与模式识别
摘要
计算机断层扫描(CT)检查中的辐射剂量对患者有害,但可通过直观减少投影视角数量来显著降低。减少投影视角通常会导致重建图像中出现严重的混叠伪影。先前基于稀疏视角数据的深度学习(DL)技术需要稀疏视角/全视角 CT 图像对以有监督方式训练网络。当投影视角数量改变时,DL 网络需使用更新的稀疏视角/全视角 CT 图像对重新训练。为缓解此限制,我们提出了一种用于稀疏视角 CT 重建的、完全无监督的基于分数的正弦图域生成模型。具体而言,我们首先在全视角正弦图数据上训练基于分数的生成模型,并采用多通道策略将高维张量作为网络输入以捕获其先验分布。然后,在推理阶段,随机微分方程(SDE)求解器与数据一致性步骤被迭代执行以实现全视角投影。使用滤波反投影(FBP)算法实现最终图像重建。我们开展了定性与定量研究,以使用多个 CT 数据评估所提方法。实验结果表明,我们的方法取得了与有监督学习对应方法相当或更好的性能。
引用
@article{arxiv.2211.13926,
title = {Generative Modeling in Sinogram Domain for Sparse-view CT Reconstruction},
author = {Bing Guan and Cailian Yang and Liu Zhang and Shanzhou Niu and Minghui Zhang and Yuhao Wang and Weiwen Wu and Qiegen Liu},
journal= {arXiv preprint arXiv:2211.13926},
year = {2022}
}
备注
11 pages, 12 figures