Convergent ADMM Plug and Play PET Image Reconstruction

要約

この研究では、モデルベースの変分再構成と、ADMM プラグ アンド プレイ フレームワークで個別に学習されたディープ ニューラル ネットワーク オペレーター (DNN) のアプリケーションの結合に基づいたハイブリッド PET 再構成アルゴリズムを調査します。
最近の最適化結果に従って、学習中にネットワーク パラメーターに追加の制約を強制することで、スキームの固定小数点収束を達成できます。
我々は、このような ADMM アルゴリズムを提案し、現実的な [18F]-FDG 合成脳検査で、提案されたスキームが実験的に実際に意味のある固定点への収束につながることを示します。
DNN の学習中に提案された制約が強制されない場合、提案された ADMM アルゴリズムは収束しないことが実験的に観察されました。

要約(オリジナル)

In this work, we investigate hybrid PET reconstruction algorithms based on coupling a model-based variational reconstruction and the application of a separately learnt Deep Neural Network operator (DNN) in an ADMM Plug and Play framework. Following recent results in optimization, fixed point convergence of the scheme can be achieved by enforcing an additional constraint on network parameters during learning. We propose such an ADMM algorithm and show in a realistic [18F]-FDG synthetic brain exam that the proposed scheme indeed lead experimentally to convergence to a meaningful fixed point. When the proposed constraint is not enforced during learning of the DNN, the proposed ADMM algorithm was observed experimentally not to converge.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google