PWLS-ULTRA：一种用于低剂量 3D CT 图像重建的高效聚类与学习方法
机器学习
2019-06-14 v3
摘要
开发能够在保持高图像质量的同时显著降低患者辐射暴露的计算机断层扫描（CT）图像重建方法，是低剂量 CT（LDCT）成像领域的一个重要研究方向。我们提出了一种新的惩罚加权最小二乘（PWLS）重建方法，该方法利用基于高效学习变换集（Union of Learned TRAnsforms, PWLS-ULTRA）的正则化。方形变换集是从从 CT 图像或图像体数据集中提取的大量图像块中预学习的。所提出的基于 PWLS 的代价函数通过在 CT 图像重建步骤与稀疏编码和聚类步骤之间交替进行优化。CT 图像重建步骤通过带有有序子集的松弛线性化增广拉格朗日方法进行加速，从而减少了正向和反向投影的次数。对扩展心脏躯干体模的 2D 和 3D 轴向 CT 扫描以及 3D 螺旋胸部和腹部扫描的模拟表明，在正常剂量和低剂量水平下，与使用非自适应边缘保持正则化器的 PWLS 重建（PWLS-EP）相比，所提出的方法显著提高了重建图像的质量。基于学习变换集正则化的 PWLS 比使用单一学习方形变换能产生更好的图像重建。我们还在 PWLS-ULTRA 中引入了基于块的权重，这增强了图像质量并有助于提高图像分辨率的均匀性。与学习的过完备合成字典相比，所提出的方法实现了相当或更好的图像质量，且重要的是，速度要快得多（计算效率更高）。
引用
@article{arxiv.1703.09165,
title = {PWLS-ULTRA: An Efficient Clustering and Learning-Based Approach for Low-Dose 3D CT Image Reconstruction},
author = {Xuehang Zheng and Saiprasad Ravishankar and Yong Long and Jeffrey A. Fessler},
journal= {arXiv preprint arXiv:1703.09165},
year = {2019}
}
备注
Accepted to IEEE Transaction on Medical Imaging