基于两层聚类的稀疏化变换学习用于低剂量 CT 重建
图像与视频处理
2020-11-03 v1 计算机视觉与模式识别
机器学习
信号处理
摘要
从低剂量计算机断层扫描（LDCT）测量中实现高质量重建在临床环境中十分重要。基于模型的图像重建方法已被证明可有效去除 LDCT 中的伪影。本工作中，我们提出一种学习丰富的两层聚类稀疏化变换模型（MCST2）的方法，其中图像块及其后续特征图（滤波残差）被聚类为若干组，每组使用不同的学习稀疏化滤波器。我们研究了结合所学 MCST2 先验的惩罚加权最小二乘（PWLS）方法用于 LDCT 重建。实验结果表明，所提出的 PWLS-MCST2 方法相较于其他近期相关方案具有更优性能。
引用
@article{arxiv.2011.00428,
title = {Two-layer clustering-based sparsifying transform learning for low-dose CT reconstruction},
author = {Xikai Yang and Yong Long and Saiprasad Ravishankar},
journal= {arXiv preprint arXiv:2011.00428},
year = {2020}
}
备注
5 pages, 3 figures, submitted to ISBI2021