Ray-driven Spectral CT Reconstruction Based on Neural Base-Material Fields

要約

スペクトル CT 再構成では、基底材料の分解には、数学的に非常に不適切な積分方程式の大規模な非線形系を解くことが含まれます。
この論文では、ニューラル フィールド表現を使用してオブジェクトの減衰係数をパラメータ化するモデルを提案します。これにより、線積分の離散化プロセス中にピクセル駆動の射影係数行列の複雑な計算が回避されます。
レイ駆動ニューラル フィールドに基づいた線積分の軽量な離散化手法が導入され、離散化プロセス中の積分近似の精度が向上します。
基礎マテリアルは、基礎マテリアルの神経場パラメータ化モデルを確立するために、連続的なベクトル値の陰関数として表されます。
次に、深層学習の自動微分フレームワークを使用して、神経ベースマテリアルフィールドの暗黙的な連続関数を解決します。
この方法は、再構成された画像の空間解像度によって制限されず、ネットワークはコンパクトで規則的な特性を持ちます。
実験による検証では、私たちの方法がスペクトル CT 再構成に対処する際に非常にうまく機能することが示されています。
さらに、高解像度の再構成画像の生成の要件も満たします。

要約(オリジナル)

In spectral CT reconstruction, the basis materials decomposition involves solving a large-scale nonlinear system of integral equations, which is highly ill-posed mathematically. This paper proposes a model that parameterizes the attenuation coefficients of the object using a neural field representation, thereby avoiding the complex calculations of pixel-driven projection coefficient matrices during the discretization process of line integrals. It introduces a lightweight discretization method for line integrals based on a ray-driven neural field, enhancing the accuracy of the integral approximation during the discretization process. The basis materials are represented as continuous vector-valued implicit functions to establish a neural field parameterization model for the basis materials. The auto-differentiation framework of deep learning is then used to solve the implicit continuous function of the neural base-material fields. This method is not limited by the spatial resolution of reconstructed images, and the network has compact and regular properties. Experimental validation shows that our method performs exceptionally well in addressing the spectral CT reconstruction. Additionally, it fulfils the requirements for the generation of high-resolution reconstruction images.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google