UnWave-Net：用于康普顿断层扫描的 unrolled 小波网络图像重建

计算机断层扫描（CT）是一种广泛用于扫描身体内部结构的医学成像技术，通常涉及准直和机械旋转。康普顿散射断层扫描（CST）作为传统CT的有趣替代方案，利用康普顿物理而非准直，从多个方向收集信息。尽管CST引入了若干优势，如高灵敏度、紧凑性和完全固定系统，但图像重建仍是一个开放问题，due to CST建模的数学挑战。尽管卷积神经网络在CT图像重建方面显示出潜力，但其计算密集型的性质使其面临挑战。在本研究中，我们调查了卷积网络用于CST图像重建的效率。为解决训练过程中所需的重要计算成本，我们提出UnWave-Net，这是一种新的 unrolled 小波基重建网络。该体系结构包括基于小波的非局部分正化项，能够捕获图像中的长程依赖关系，并强调小波变换的多尺度组件。我们使用CST圆几何进行评估，该几何在数据采集期间保持完全静止，其中UnWave-Net在没有特定重建公式的情况下促进图像重建。我们的方法在SSIM和PSNR等指标上优于现有方法，并在传统卷积网络与传统 unrolled 网络相比实现了更好的计算效率。