用于双能CT重建的多通道卷积分析算子学习
图像与视频处理
2022-03-14 v1 计算机视觉与模式识别
机器学习
数值分析
数值分析
最优化与控制
医学物理
摘要
目的。双能计算机断层扫描(DECT)在先进成像应用中具有提高对比度、减少伪影以及实现材料分解的潜力。测量次数增加会导致更高的辐射剂量,因此减少各能量的投影数量或源X射线强度至关重要,但这使得断层重建更加不适定。方法。我们开发了多通道卷积分析算子学习(MCAOL)方法,以利用不同能量下衰减图像中的共同空间特征,并提出了一种优化方法,通过卷积分析算子学习(CAOL)算法预训练的卷积滤波器所获得的稀疏特征上的混合范数正则化,联合重建低能和高能下的衰减图像。主要结果。我们使用模拟和真实计算机断层扫描(CT)数据进行了大量实验以验证所提方法的有效性,并报告了相较于CAOL以及带有单能和联合全变分(TV)正则化的迭代方法更高的重建精度。意义。在稀疏视角和低剂量DECT上的定性与定量结果表明,所提出的MCAOL方法优于独立应用于各能量的CAOL以及若干现有最先进的基于模型的迭代重建(MBIR)技术,从而为降低剂量铺平了道路。
引用
@article{arxiv.2203.05968,
title = {Multi-Channel Convolutional Analysis Operator Learning for Dual-Energy CT Reconstruction},
author = {Alessandro Perelli and Suxer Alfonso Garcia and Alexandre Bousse and Jean-Pierre Tasu and Nikolaos Efthimiadis and Dimitris Visvikis},
journal= {arXiv preprint arXiv:2203.05968},
year = {2022}
}
备注
23 pages, 11 figures, published in the Physics in Medicine & Biology journal