用于锥束计算机断层重建的学习型 SIRT
图像与视频处理
2019-08-29 v1 最优化与控制
摘要
我们引入了用于层析重建的学习型同步迭代重建技术（SIRT）。学习型 SIRT 算法是一种基于深度学习的重建方法，将模型知识与学习组件相结合。该算法通过多次迭代将原始测量数据映射到重建结果来进行训练。学习型 SIRT 算法应用于圆周轨道上的锥束几何，由于其三维几何特性以及 inherently 无法完整捕获患者解剖结构，这对学习方法而言是一个具有挑战性的问题。我们展示了二维重建的对比，其中学习型 SIRT 方法相比 FBP、SIRT 和 U-net 后处理产生了具有更优峰值信噪比（PSNR）和结构相似性（SSIM）的重建结果，且与学习型原始对偶算法具有相似的 PSNR 和 SSIM。对于三维 Shepp Logan 体模的锥束几何重建也展示了类似结果，其中我们相比 FBP 获得了 9.9 至 28.1 dB 的提升，且 SSIM 有显著改善。最后我们表明，我们的算法可扩展到临床相关问题，并在应用于物理体模的测量时表现良好。
引用
@article{arxiv.1908.10715,
title = {Learned SIRT for Cone Beam Computed Tomography Reconstruction},
author = {Roeland J. Dilz and Lukas Schröder and Nikita Moriakov and Jan-Jakob Sonke and Jonas Teuwen},
journal= {arXiv preprint arXiv:1908.10715},
year = {2019}
}