JSover：基于单能CT投影的联合光谱估计与多物料分解

多物料分解（MMD）使人体组织成分的定量重建成为可能，支撑着广泛的临床应用。然而，传统 MMD 通常需要光谱 CT 扫描器和预先测量的 X射线能谱，显著限制了其临床可行性。为此，已开发出各种方法通过常规（即单能，SE）CT 系统实现 MMD，称为 SEMMD。尽管取得了有希望的进展，但大多数 SEMMD 方法遵循两步图像分解流程，即先使用如 FBP 等算法重建单色 CT 图像，然后在这些图像上进行分解。初始重建步骤忽略了人体组织的能量相关衰减，引入严重的非线性束硬化制造剂和噪声到后续分解中。本文提出 JSover，一种根本性地重新构建的单一步骤 SEMMD 框架，联合从 SECT 投影中重建多物料组成并估计能谱。通过在 SEMMD 过程中显式融入基于物理的光谱先验，JSover 准确模拟了来自 SE 采集的虚拟光谱 CT 系统，从而提高了分解的可靠性和准确性。此外，我们引入了隐式神经表示（INR）作为无监督深度学习求解器来表示底层物料图。INR 对连续图像模式的归纳偏好约束解的空间，进一步提升了估计质量。广泛的在模拟与真实 CT 数据集上的实验表明，JSover 在准确性和计算效率方面均优于当前最先进的 SEMMD 方法。