使用带学习变换的 $\ell_1$ 先验进行稀疏视角 X 射线 CT 重建
机器学习
2019-09-17 v3 机器学习
医学物理
摘要
X 射线计算机断层扫描（CT）中的一个主要挑战是在保持重建图像高质量的同时降低辐射剂量。为降低辐射剂量，可减少投影视角数（稀疏视角 CT）；然而，随着投影视角数减少，实现高质量图像重建变得困难。研究者已将从小型（高质量）CT 图像数据集学习稀疏表示的概念应用于稀疏视角 CT 重建。我们提出了一种结合惩罚加权最小二乘（PWLS）与带学习稀疏化变换的 先验（PWLS-ST-）的新统计 CT 重建模型，以及一种基于交替方向乘子法（ADMM）的相应高效算法。为缓解 ADMM 参数调优的困难，我们提出了一种基于近似条件数的新 ADMM 参数选择方案。我们通过分析其（松弛 范数）图像更新估计量的最小均方误差来解释所提模型。我们在扩展心脏-躯干（XCAT）体模数据及临床胸部数据上的结果表明，对于稀疏视角 2D 扇束 CT 和 3D 轴向锥束 CT，PWLS-ST- 相比使用保边正则化器和带学习 ST 的 先验的 CT 重建方法改善了重建图像质量。这些结果还表明，对于稀疏视角 2D 扇束 CT，PWLS-ST- 取得了可比或更好的图像质量，且比使用学习过完备字典的 PWLS-DL 所需运行时间短得多。我们在临床胸部数据上的结果表明，使用无监督学习先验的方法比最先进的、不使用物理成像模型的深度“去噪”神经网络具有更好的泛化能力。
引用
@article{arxiv.1711.00905,
title = {Sparse-View X-Ray CT Reconstruction Using $\ell_1$ Prior with Learned Transform},
author = {Xuehang Zheng and Il Yong Chun and Zhipeng Li and Yong Long and Jeffrey A. Fessler},
journal= {arXiv preprint arXiv:1711.00905},
year = {2019}
}
备注
The first two authors contributed equally to this work