MB-DECTNet：一种用于精确三维双能 CT 重建的基于模型展开网络
图像与视频处理
2023-02-02 v1 机器学习
摘要
过去几十年中已发展出众多双能 CT（DECT）技术。双能 CT（DECT）统计迭代重建（SIR）已展现出降噪与增准的潜力。我们实验室提出了一种用于阻止本领估计的联合统计 DECT 算法，并表明其优于竞争性的基于图像的材料分解方法。然而，由于其收敛缓慢及投影计算成本高，三维 DECT SIR 的耗时通常在临床上不可接受。因此，为改善其收敛性，我们将 DECT SIR 嵌入一种深度学习基于模型展开网络用于三维 DECT 重建（MB-DECTNet），该网络可以端到端方式训练。这种基于深度学习的方法被训练以学习迭代算法初始条件与驻点之间的捷径，同时保留基于模型算法的无偏估计特性。MB-DECTNet 由堆叠多个更新块构成，每个块含数据一致性层（DC）与空间混合层，其中空间混合层为收缩 U-Net，DC 层为任意传统迭代方法的一步更新。尽管所提网络可与众多迭代 DECT 算法结合，我们以其与双能交替最小化（DEAM）结合展示性能。定性结果表明，带 DEAM 的 MB-DECTNet 在显著提升测试图像分辨率的同时大幅降噪。定量结果表明，MB-DECTNet 具有以远低于传统统计算法的计算成本精确估计衰减系数的潜力。
引用
@article{arxiv.2302.00577,
title = {MB-DECTNet: A Model-Based Unrolled Network for Accurate 3D DECT Reconstruction},
author = {Tao Ge and Maria Medrano and Rui Liao and David G. Politte and Jeffrey F. Williamson and Bruce R. Whiting and Joseph A. O'Sullivan},
journal= {arXiv preprint arXiv:2302.00577},
year = {2023}
}