SOUL-Net：一种用于能谱CT图像重建的稀疏低秩展开网络
医学物理
2022-07-27 v1
摘要
能谱计算机断层扫描(CT)是一项新兴技术，可生成物体内部的多能衰减图，并将传统图像体数据扩展为4D形式。相比基于能量积分探测器的传统CT，能谱CT可充分利用能谱信息，从而获得高分辨率并提供准确的物质量化。已有众多基于模型的迭代重建方法被提出用于能谱CT重建。然而，这些方法通常存在参数选择繁琐和计算代价高昂等困难。此外，由于不同能bin间图像的相似性，能谱CT通常隐含强低秩先验，该先验已被广泛采用于当前迭代重建模型中。奇异值阈值化(SVT)是求解低秩约束模型的有效算法，但SVT方法需手动选择阈值，可能导致次优结果。为缓解这些问题，本文提出一种用于能谱CT图像重建的稀疏低秩展开网络(SOUL-Net)，以数据驱动方式学习参数与阈值。进一步，引入基于泰勒展开的神经网络反向传播方法以提升数值稳定性。定性与定量结果表明，所提方法在细节保持和伪影抑制方面优于若干代表性的SOTA算法。
引用
@article{arxiv.2207.12639,
title = {SOUL-Net: A Sparse and Low-Rank Unrolling Network for Spectral CT Image Reconstruction},
author = {Xiang Chen and Wenjun Xia and Ziyuan Yang and Hu Chen and Yan Liu and Jiliu Zhou and Yi Zhang},
journal= {arXiv preprint arXiv:2207.12639},
year = {2022}
}