一个高效的深度展开网络用于稀疏视图CT重建,通过交替优化密集视图sinograms和图像
Chang Sun1, Yitong Liu1, Hongwen Yang1
1School of Information and Communication Engineering, Beijing University of Posts and Telecommunications, Beijing 100876, People's Republic of China.
Physics in medicine and biology
|December 11, 2024
概括
本研究介绍了一种高效的深度展开方法,用于稀疏视图计算机断层扫描 (SVCT) 重建. 这种新的方法优化了密度视图的阴影图,降低了计算成本并提高了图像质量,使SVCT在临床使用中变得更加实用.
科学领域:
- 医疗成像医学成像
- 计算成像技术的成像
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 深度展开方法通过整合基于模型和深度学习技术来进行先进的稀疏视图计算机断层扫描 (SVCT) 重建.
- 现有的方法在计算上是密集的,特别是在大型临床数据集中,这限制了它们的实际应用.
- 需要有效的SVCT重建技术来保持高图像质量,同时降低计算需求.
研究的目的:
- 为SVCT重建开发一种计算效率高的深度展开方法.
- 为了保持或提高从稀疏视图投影数据重建图像的质量.
- 为了减少SVCT重建所需的计算资源和运行时间,提高临床适用性.
主要方法:
- 将SVCT重建分解为使用近接梯度方法优化密度视图影像和图像.
- 在代框架内使用深度神经网络进行密集视图sinogram inpainting,图像残留学习和图像改进.
- 专注于优化密集视图协同图,而不是全视图协同图,以减少计算负载和错误传播.
主要成果:
- 从真实尺寸投影数据成功重建了高分辨率图像,训练参数显著减少,推断时间快 (0.09秒/片).
- 与最先进的方法相比,取得了优越的定量和质量结果,特别是在低稀疏比率 (1/12,1/18) 的文物抑制和细节保存方面.
- 演示了密集视图sinogram inpainting加速计算,加快网络融合,并进一步提高重建质量.
结论:
- 拟议的双域深度展开技术为SVCT重建提供了有效的解决方案.
- 该方法以最小的计算资源实现了出色的重建结果,解决了以前方法的一个关键局限性.
- 这项研究为更快,更实用的深部展开CT重建方法为临床数据处理铺平了道路.
