基于多层聚类的残差稀疏化变换用于低剂量 CT 图像重建
图像与视频处理
2022-03-23 v1 计算机视觉与模式识别
摘要
最近提出的稀疏化变换模型计算成本低，已应用于医学成像。同时，具有嵌套网络结构的深度模型在学习不同层特征方面展现出巨大潜力。在本研究中，我们提出一种用于 X 射线计算机断层扫描 (CT) 的网络结构稀疏化变换学习方法，称之为基于多层聚类的残差稀疏化变换 (MCST) 学习。所提 MCST 方案通过将每层的输入划分为若干类，在每层学习多个不同的酉变换。我们将 MCST 模型部署到惩罚加权最小二乘 (PWLS) 重建的正则化项中，应用于低剂量 CT (LDCT) 重建。我们在 XCAT 体模数据和梅奥诊所数据上进行了 LDCT 重建实验，并训练了具有 2（或 3）层且每层 5 个聚类的 MCST 模型。同一层中学到的变换展现出丰富特征，而从表示残差中提取了额外信息。我们的仿真结果表明，PWLS-MCST 比传统的 FBP 方法和带边缘保持 (EP) 正则化的 PWLS 实现了更好的图像重建质量。它还优于近期先进方法，如带学习的多层残差稀疏化变换先验的 PWLS (MARS) 和带学习变换并集的 PWLS (ULTRA)，尤其在显示清晰边缘和保留细微细节方面。
引用
@article{arxiv.2203.11565,
title = {Multi-layer Clustering-based Residual Sparsifying Transform for Low-dose CT Image Reconstruction},
author = {Xikai Yang and Zhishen Huang and Yong Long and Saiprasad Ravishankar},
journal= {arXiv preprint arXiv:2203.11565},
year = {2022}
}
备注
19 pages, 12 figures, submitted to the Medical Physics