结合未训练神经网络的残差反投影

背景与目的：神经网络在诸多图像处理任务中的成功，促进了其在计算机断层扫描（CT）图像重建问题中的应用。尽管该领域已取得进展，但缺乏稳定性与精度理论保证，加之特定成像领域高质量训练数据的稀缺，给许多CT应用带来了挑战。本文提出了一种无需训练的CT迭代重建（IR）框架，该框架利用了神经网络的层次结构。我们的框架将此结构信息作为深度图像先验（DIP）纳入其中，并使用一种新颖的残差反投影（RBP）连接作为迭代的基础。方法：我们提出将未训练的U-net与新颖的残差反投影相结合，以最小化目标函数并实现高精度重建。在每次迭代中，优化未训练U-net的权重，并通过上述RBP连接，使用当前迭代的U-net输出来更新下一次迭代的U-net输入。结果：实验结果表明，在多种条件下，RBP-DIP框架优于其他最先进的常规IR方法，以及具有相似网络结构的预训练和未训练模型。这些改进在少视角、有限角度和低剂量成像配置下尤为显著。结论：该框架应用于平行束和扇形束X射线成像，在多种条件下均显示出显著改善。此外，所提框架无需训练数据，并可按需调整以适应不同条件（如噪声水平、几何形状和成像物体）。