基于多层集群的残留散散变换用于低剂量CT图像重建

科学领域:

• 医疗成像医学成像
• 计算成像技术的成像
• 信号处理 信号处理

背景情况:

• 散射变换 (ST) 模型在医学成像中提供了计算效率.
• 嵌套结构的深度学习模型在特征学习方面表现出色.
• 低剂量CT (LDCT) 重建需要先进的图像质量技术.

研究的目的:

• 为X射线计算机断层扫描 (CT) 提出一个网络结构的ST学习方法,称为基于多层集群的残余散散变换 (MCST) 学习.
• 将MCST模型应用于最不发达国家重建,将其整合到处罚权重最小方程 (PWLS) 框架中.
• 通过利用多层残余图和输入集群来提高LDCT中的图像重建质量,以实现准确的散射.

主要方法:

• MCST模型将多层稀疏表示与集群特征相结合,每个特征由单元变换建模.
• 该模型在基于补丁的方法上使用区块坐标下降 (BCD) 算法进行无监督训练.
• 通过将预先学习的MCST信号模型与PWLS优化集成,开发了一种新的PWLS-MCST算法.

主要成果:

• 对幻影,数值和临床LDCT数据集的实验证明了MCST模型的有效性.
• 层内学习的转换捕获了丰富的特征,并从表示残留中获得了额外的信息.
• PWLS-MCST显著优于传统的过后投影 (FBP) 和带有边缘保护 (EP) 调节器的PWLS.
• 该方法与MARS和ULTRA等先进技术相比,表现优越,特别是在边缘清晰度和细节保存方面.

结论:

• 为CT重建引入了一种具有嵌套网络结构的新型多层稀疏信号模型 (MCST).
• MCST模型使用多层残余图和输入集群来实现有效的图像散射.
• 拟议的PWLS-MCST框架提供了更清晰的LDCT重建,优于几个基准方法.
• 对于PWLS-MCST的代码是公开可用的,用于进一步的研究和应用.