SPULTRA：基于联合统计与学习图像模型的低剂量 CT 图像重建
信号处理
2019-08-13 v4 图像与视频处理
最优化与控制
医学物理
摘要
低剂量 CT 图像重建近年来已成为热门研究课题。一种基于对数后测量的典型重建方法称为惩罚加权最小二乘（PWLS）。由于对数后统计模型的固有局限，PWLS 重建质量在低剂量扫描中常出现退化。本文研究了一种基于移位泊松（SP）模型的似然函数，其利用能更好表示测量统计特性的对数前原始测量数据，并结合利用学习变换并集（Union of Learned TRAnsforms, ULTRA）的数据驱动正则化项（SPULTRA）。所提框架中 SP 诱导的数据保真项与正则化项均为非凸。提出的 SPULTRA 算法对 SP 诱导的数据保真项使用二次替代函数。每次迭代涉及一个用于更新图像的二次子问题，以及一个具有闭式解的稀疏编码与聚类子问题。SPULTRA 算法每次迭代的计算代价与其近期基于对数后测量的对应方法 PWLS-ULTRA 相近，且能提供优于 PWLS-ULTRA 的图像重建质量，尤其在低剂量扫描中。
引用
@article{arxiv.1808.08791,
title = {SPULTRA: Low-Dose CT Image Reconstruction with Joint Statistical and Learned Image Models},
author = {Siqi Ye and Saiprasad Ravishankar and Yong Long and Jeffrey A. Fessler},
journal= {arXiv preprint arXiv:1808.08791},
year = {2019}
}
备注
Accepted to IEEE Transaction on Medical Imaging