Deep Unfolding of the DBFB Algorithm with Application to ROI CT Imaging with Limited Angular Density

要約

この論文では、限られた数のコンピューター断層撮影 (CT) 測定値から関心領域 (ROI) を再構築するための新しい方法を提示します。
古典的なモデルベースの反復再構成法により、予測可能な特徴を持つ画像が得られます。
それでも、面倒なパラメーター化と収束の遅さに悩まされることがよくあります。
それどころか、深層学習手法は高速であり、大規模なデータセットからの情報を活用することで高い再構成品質に達することができますが、解釈可能性に欠けています.
両方の方法の交差点で、深い展開ネットワークが最近提案されました。
彼らの設計には、イメージング システムの物理学と反復最適化アルゴリズムのステップが含まれます。
さまざまなアプリケーションでのこれらのネットワークの成功に動機付けられて、限られたデータからの ROI CT 再構成用に設計された U-RDBFB と呼ばれる展開ニューラル ネットワークを紹介します。
スパース性を誘発する正則化関数と組み合わせた堅牢な非凸データ忠実度項のおかげで、いくつかのビューの切り捨てられたデータが効果的に処理されます。
デュアル ブロック座標前方後方 (DBFB) アルゴリズムを展開し、反復再重み付けスキームに埋め込まれ、監視された方法で主要なパラメーターを学習できるようにします。
私たちの実験では、モデルベースの反復スキーム、マルチスケールの深層学習アーキテクチャ、深層展開法など、いくつかの最先端の方法よりも改善されていることが示されています。

要約(オリジナル)

This paper presents a new method for reconstructing regions of interest (ROI) from a limited number of computed tomography (CT) measurements. Classical model-based iterative reconstruction methods lead to images with predictable features. Still, they often suffer from tedious parameterization and slow convergence. On the contrary, deep learning methods are fast, and they can reach high reconstruction quality by leveraging information from large datasets, but they lack interpretability. At the crossroads of both methods, deep unfolding networks have been recently proposed. Their design includes the physics of the imaging system and the steps of an iterative optimization algorithm. Motivated by the success of these networks for various applications, we introduce an unfolding neural network called U-RDBFB designed for ROI CT reconstruction from limited data. Few-view truncated data are effectively handled thanks to a robust non-convex data fidelity term combined with a sparsity-inducing regularization function. We unfold the Dual Block coordinate Forward-Backward (DBFB) algorithm, embedded in an iterative reweighted scheme, allowing the learning of key parameters in a supervised manner. Our experiments show an improvement over several state-of-the-art methods, including a model-based iterative scheme, a multi-scale deep learning architecture, and deep unfolding methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google