用于X射线CT图像重建的统一监督-无监督（SUPER）学习

传统的基于模型的图像重建（MBIR）方法将前向和噪声模型与简单物体先验结合。近期用于图像重建的机器学习方法通常涉及监督学习或无监督学习，二者各有优劣。本工作中，我们提出一种用于X射线计算机断层扫描（CT）图像重建的统一监督-无监督（SUPER）学习框架。所提出的学习公式将无监督学习-based先验（甚至简单解析先验）与（监督）深度网络-based先验在基于不动点迭代分析的统一MBIR框架中结合。所提出的训练算法也是双层监督训练优化问题的一个近似方案，其中下层MBIR问题中的网络正则化项使用上层重建损失进行优化。该训练问题通过交替更新网络权重和基于这些权重迭代更新重建结果来优化。我们展示了所学SUPER模型在低剂量CT图像重建中的有效性，为此我们使用NIH AAPM Mayo Clinic低剂量CT大挑战数据集进行训练和测试。在我们的实验中，我们研究了监督深度网络先验与无监督学习-based或解析先验的不同组合。数值与视觉结果均显示所提出的统一SUPER方法优于独立的监督学习-based方法、迭代MBIR方法以及通过消融研究获得的SUPER变体。我们还表明所提算法在实践中收敛迅速。