- Глобальное ограничение для улучшения реконструкции КТ в неидеальных условиях (arXiv)
Автор: Зию Шу, Алиреза Энтезари.
Резюме: Предыстория и цель: Высокий спрос на приложения для медицинской визуализации приводит к популярности задачи КТ-реконструкции. Исследователи предложили несколько ограничений для устранения неидеальных факторов в реконструкции КТ, таких как разреженный обзор, ограниченный угол и условия низкой дозы. Большинство из этих ограничений, таких как общая вариация, являются локальными ограничениями, сосредоточенными на отношениях между пикселем и его соседями. В этой статье мы предлагаем новое ограничение, использующее глобальные априорные изображения КТ, чтобы значительно уменьшить артефакты полос и еще больше повысить точность реконструкции. Методы: КТ-изображение человеческого тела содержит ограниченное количество различных типов тканей, поэтому пиксели на КТ-изображениях можно сгруппировать в несколько групп по соответствующим им типам. В нашей работе мы фокусируемся на классификации композиции для отдельных пикселей и используем ее в качестве глобального априорного значения, которое отличается от априорных значений, используемых большинством текущих ограничений. Мы предлагаем сегментировать пиксели на основе их уровней серого в процессе реконструкции и заставлять пиксели в одной группе иметь одинаковые уровни серого. Результаты. Наши эксперименты с фантомом Шеппа-Логана и двумя реальными КТ-изображениями из разных контрольных точек показывают, что предложенное ограничение может помочь обычным локальным ограничениям еще больше улучшить результаты реконструкции в условиях разреженного обзора, ограниченного угла и низкой дозы облучения. Выводы: В отличие от большинства текущих ограничений, ориентированных на локальный априор, предлагаемое нами ограничение использует только глобальный априор изображений КТ. В этом случае предложенное нами ограничение может взаимодействовать с большинством локальных ограничений и значительно улучшить качество реконструкции. Кроме того, предложенное ограничение также имеет потенциал для дальнейшего улучшения, поскольку классификацию композиции можно выполнить с помощью некоторых более тонких методов, таких как алгоритмы семантической сегментации, связанные с нейронной сетью.
2. Конвергентные управляемые данными регуляризации для реконструкции CT (arXiv)
Автор: Самира Кабри, Александр Аурас, Данило Риччио, Хартмут Бауэрмейстер, Мартин Беннинг, Майкл Меллер, Мартин Бургер.
Аннотация: Восстановление изображений из их соответствующего зашумленного преобразования Радона является типичным примером некорректной линейной обратной задачи, возникающей при применении компьютерной томографии (КТ). Поскольку (наивное) решение не зависит непрерывно от измеренных данных, необходима регуляризация для восстановления непрерывной зависимости. В этой работе мы исследуем простые, но все же доказуемо сходящиеся подходы к изучению методов линейной регуляризации на основе данных. Более конкретно, мы анализируем два подхода: один общий линейный регуляризатор, который учится манипулировать сингулярными значениями линейного оператора в расширении [1], и один специализированный подход в области Фурье, специфичный для CT-реконструкции. Мы доказываем, что такие подходы становятся методами конвергентной регуляризации, а также тот факт, что реконструкции, которые они обеспечивают, обычно намного более гладкие, чем обучающие данные, на которых они обучались. Наконец, мы численно сравниваем спектральный и основанный на Фурье подходы к КТ-реконструкции, обсуждаем их преимущества и недостатки и исследуем влияние ошибок дискретизации при различных разрешениях.
