用于从稀疏视角和有限角度多能谱数据重建 CT 图像的优越化算法
医学物理
2017-10-02 v3
摘要
近期 CT 成像的研究中，使用全变分（TV）及相关惩罚项来正则化涉及从欠采样或不完整数据重建的问题日益受到关注。优越化（superiorization）是近来提出的一种启发式方法，它提供了一种自动过程，针对所选目标函数（如 TV）对一个迭代重建算法进行“优越化”。在特定条件下，优越化算法保证能找到一种解，其在满足问题约束方面与原始算法找到的任何解同样令人满意；该解在所选目标方面也有望更优。大多数关于优越化的工作使用了假设线性测量模型的重建算法，在 CT 中这对应于由单能 X 射线束生成的数据。然而，许多 CT 系统从多能谱产生 X 射线，其中测量数据表示物体衰减在谱中所有能量上的积分。这种与线性模型的不一致产生了众所周知的射束硬化伪影，损害了 CT 图像的分析。在本工作中，我们使用 TV 和各向异性 TV（ATV）惩罚项，对一个从多能谱数据重建的迭代算法进行优越化。我们将该优越化算法应用于建模稀疏视角和有限角度场景的数值体模实验。在我们的实验中，优越化算法成功找到了与原始算法找到的解同样满足约束的解，且 TV 和 ATV 值显著降低。因此，优越化算法生成的图像大幅减少了稀疏视角和有限角度伪影，并且基本不存在若使用单能算法的优越化版本会出现的射束硬化伪影。
引用
@article{arxiv.1701.03396,
title = {Superiorized algorithm for reconstruction of CT images from sparse-view and limited-angle polyenergetic data},
author = {T. Humphries and J. Winn and A. Faridani},
journal= {arXiv preprint arXiv:1701.03396},
year = {2017}
}
备注
23 pages, 11 figures