基于非局域低秩立方体张量分解的光谱 CT 重建
计算机视觉与模式识别
2018-10-30 v3
摘要
光谱计算机断层扫描（CT）利用多个窄能量窗口的投影重建材料相关的衰减图像，对材料识别与分解具有重要意义。遗憾的是，多能量投影数据集总是包含强烈的复杂噪声，导致投影的信噪比（SNR）较低。近来，空间-光谱立方体匹配框架（SSCMF）被提出以挖掘光谱 CT 的非局域空间-光谱相似性。该方法通过聚类一系列非局域空间-光谱立方体来构造这样的组。此类组的空间块尺寸较小，使 SSCMF 无法编码稀疏性与低秩性质。此外，SSCMF 中的硬阈值与协同滤波操作在恢复图像特征与空间边缘方面也较为粗糙。而由于所有步骤都在 4 维组上操作，实际中我们可能难以承受如此巨大的计算与内存负担。为避免上述局限并进一步提升图像质量，我们首先构建基于非局域立方体的张量而非组来编码稀疏性与低秩性质。然后，作为一种新的正则化项，Kronecker 基表示（KBR）张量分解被引入基本光谱 CT 重建模型，以增强提取图像特征与保护空间边缘的能力，从而生成基于非局域低秩立方体张量分解（NLCTF）的方法。最后，采用 split-Bregman 策略求解 NLCTF 模型。数值模拟与真实临床前小鼠研究均被用于验证和评估 NLCTF 算法。结果表明 NLCTF 方法优于其他对比方法。
引用
@article{arxiv.1807.10610,
title = {Non-local Low-rank Cube-based Tensor Factorization for Spectral CT Reconstruction},
author = {Weiwen Wu and Fenglin Liu and Yanbo Zhang and Qian Wang and Hengyong Yu},
journal= {arXiv preprint arXiv:1807.10610},
year = {2018}
}