QN-Mixer：稀疏视图CT重建的准牛顿MLP-Mixer模型

逆问题在多个领域都有应用。在医学领域，CT（计算机断层扫描）在重建患者内部结构方面发挥着关键作用，但由于固有的逆问题呈现病态，导致出现伪影。以往的研究通过后处理和深度展开算法提高图像质量，但面临挑战，如在超稀疏数据下的收敛时间延长。尽管已有所改进，所得图像常常显示出显著的伪影，限制了其在现实诊断应用中的效果。我们旨在探索用于解决成像逆问题的深度二阶展开算法，强调其相对于诸如梯度下降等常见一阶方法的更快收敛速度和更低时间复杂度。在本文中，我们引入QN-Mixer，一种基于准牛顿方法的算法。我们通过BFGS算法使用学习参数，并引入Incept-Mixer，这种高效神经网络结构作为非局部正则化项，捕获图像中长程依赖关系。为解决准牛顿算法通常需要完整Hessian矩阵计算而带来的计算需求，我们提出了一种内存高效替代方案。该方法智能地对梯度信息进行下采样，显著降低了计算要求，同时保持性能。该方法通过在稀疏视图CT问题上的实验进行验证，涉及多个数据集和扫描协议，并与后处理和深度展开最新方法进行比较。我们的方法在SSIM和PSNR方面均超越了现有方法，并在所需的展开迭代次数上实现了最先进的性能。