学习型原始对偶重建

我们提出用于断层重建的学习型原始对偶(Learned Primal-Dual)算法。该算法通过展开近端原始对偶优化方法，将前向算子（可能是非线性的）纳入深度神经网络，但其中近端算子已被卷积神经网络替代。该算法端到端训练，直接处理原始测量数据，且不依赖于任何如FBP之类的初始重建。我们将所提方法在低剂量CT重建上与FBP、TV以及基于深度学习的FBP后处理进行比较。对于Shepp-Logan体模，我们获得比所有比较方法高>6dB的PSNR提升。对于人体体模，相应的提升为比TV高6.6dB，比学习的后处理高2.2dB，同时SSIM大幅改善。最后，我们的算法仅涉及十次前向-后向投影计算，使得该方法可用于时间关键的临床应用。