学习型光谱计算机断层成像
图像与视频处理
2020-03-10 v1 计算机视觉与模式识别
神经与进化计算
最优化与控制
摘要
光谱光子计数计算机断层成像（SPCCT）是一项很有前景的技术，相较于传统X射线计算机断层成像（CT），它在物质分离、伪影去除和图像质量增强等方面展现出诸多优势。然而，由于SPCCT控制方程复杂度和非线性增加，基于模型的重建算法通常需要手工设计的正则化项并精细调节超参数，使其难以在多变条件下标定。此外，它们通常计算成本高昂，且在有限角度数据情况下成像能力显著下降。近来，深度学习已在医学成像应用中被证明能提供最先进的重建性能，同时规避了上述多数挑战。受这些进展启发，我们提出一种用于SPCCT的深度学习方法，该方法在利用神经网络表达能力的同时融入模型知识。该方法采用针对特定案例数据训练的两步学习型原始-对偶算法形式。所提方法具有快速重建能力和高成像性能，即便在有限数据情况下亦如此，同时避免了其他优化方法所需的手工调参。我们通过受心血管成像应用启发的数值算例，以重建图像和质量指标展示了该方法的性能。
引用
@article{arxiv.2003.04138,
title = {Learned Spectral Computed Tomography},
author = {Dimitris Kamilis and Mario Blatter and Nick Polydorides},
journal= {arXiv preprint arXiv:2003.04138},
year = {2020}
}
备注
8 pages, 5 figures