基于分块 Hankel 扩散模型的少样本低剂量 CT 重建
图像与视频处理
2024-05-28 v1 计算机视觉与模式识别
摘要
低剂量计算机断层扫描（LDCT）通过降低辐射风险，在临床应用中发挥着至关重要的作用。然而，降低辐射剂量会显著降低图像质量。同时，常见的深度学习方法需要大量数据，引发了关于隐私、成本和时间限制的担忧。因此，我们提出了一种使用分块 Hankel 扩散（PHD）模型的少样本低剂量 CT 重建方法。在先验学习阶段，投影数据首先被转换为多个分块 Hankel 矩阵。然后从这些矩阵中提取结构化张量，以通过多个扩散模型促进先验学习。在迭代重建阶段，采用迭代随机微分方程求解器，并结合数据一致性约束来更新获取的投影数据。此外，引入了惩罚加权最小二乘和全变分技术来增强最终图像质量。结果接近正常剂量对应图像的质量，验证了 PHD 模型是一种有效且实用的模型，可在保持图像质量的同时减少伪影和噪声。
引用
@article{arxiv.2405.17167,
title = {Partitioned Hankel-based Diffusion Models for Few-shot Low-dose CT Reconstruction},
author = {Wenhao Zhang and Bin Huang and Shuyue Chen and Xiaoling Xu and Weiwen Wu and Qiegen Liu},
journal= {arXiv preprint arXiv:2405.17167},
year = {2024}
}