视觉语言模型辅助的光谱CT重建通过扩散和低等级先验从有限角度测量

科学领域:

• 医疗成像医学成像
• 计算成像技术的成像
• 人工智能在医学中的应用

背景情况:

• 光谱计算机断层扫描 (CT) 提供材料识别,但面临着有限角度 (LA) 扫描的挑战.
• 现有的LA光谱CT深度学习方法需要每个角度的单独模型,限制了适应性.
• 在CT中减少辐射暴露与尽可能低的合理可实现 (ALARA) 原则相一致.

研究的目的:

• 开发一种新的视觉语言模型 (VLMs) 辅助的光谱CT重建 (VLSR) 方法,以改进LA文物校正.
• 为了使在LA光谱CT重建中实现单一的多设置适应模型.
• 为了提高灵活性和减少光谱CT成像中的辐射剂量.

主要方法:

• 集成VLM的图像-文本感知与光谱CT图像生成的扩散模型.
• 利用快速工程来准确地表示和纠正LA文物特征.
• 开发一个协作抽样框架,包括数据一致性,低级规范化和扩散模型.

主要成果:

• 与现有方法相比,VLSR在模拟LA光谱CT重建中表现出优异的性能.
• 达到了0.41 dB (90°) 和1.13 dB (60°) 的峰值信号噪声比改善.
• 在各种LA配置下获得了高质量和一致的光谱CT重建.

结论:

• 该VLSR方法成功地重建高质量的光谱CT图像在各种有限角度扫描设置.
• 这种方法使得光谱CT扫描更快,更灵活,辐射剂量更低.
• VLSR为适应性和高效的光谱CT成像提供了一个有前途的解决方案.