Data-iterative Optimization Score Model for Stable Ultra-Sparse-View CT Reconstruction

要約

スコアベースの生成モデル (SGM) は、複雑な分布を正確にサンプリングできるため、スパースビュー CT 再構成において注目を集めています。
SGM ベースの再構成では、スコアベースの拡散モデルのデータの一貫性により、生成されたサンプルが観察されたデータ分布に厳密に準拠していることが保証され、これは画質の向上に不可欠です。
データ整合性の特性評価における欠点は、3 つの側面で明らかです。
まず、最適化プロセスからのデータにより、再構成された画像にアーチファクトが生じる可能性があります。
第 2 に、生成モデルと元のデータ制約が独立して完成されることがしばしば無視され、統一性が断片化されます。
第三に、理想的な実際の画像ではなく、逆サンプリング プロセスの中間結果を制約することに主に焦点を当てています。
したがって、反復最適化データ スコアリング モデルを提案します。
この論文では、超スパースビュー CT 再構成の貴重な制約である確率微分方程式に革新的なデータ一貫性を統合する、データ反復最適化スコアベース モデル (DOSM) を紹介します。
このデータ一貫性要素の新規性は、元の測定データにのみ依存して生成結果を制限し、測定データと生成モデルの制約のバランスを効果的にとることにあります。
さらに、現在の反復結果から理想的な真実まで遡る推論戦略を開拓し、再構成の安定性を高めます。
従来の反復手法を活用して DOSM アップデートを最適化します。
数値および臨床心臓データセットの 23 のビューからの定量的および定性的結果は、DOSM が他の方法よりも優れていることを示しています。
驚くべきことに、ビューが 10 個であっても、私たちの方法は優れたパフォーマンスを達成します。

要約(オリジナル)

Score-based generative models (SGMs) have gained prominence in sparse-view CT reconstruction for their precise sampling of complex distributions. In SGM-based reconstruction, data consistency in the score-based diffusion model ensures close adherence of generated samples to observed data distribution, crucial for improving image quality. Shortcomings in data consistency characterization manifest in three aspects. Firstly, data from the optimization process can lead to artifacts in reconstructed images. Secondly, it often neglects that the generation model and original data constraints are independently completed, fragmenting unity. Thirdly, it predominantly focuses on constraining intermediate results in the inverse sampling process, rather than ideal real images. Thus, we propose an iterative optimization data scoring model. This paper introduces the data-iterative optimization score-based model (DOSM), integrating innovative data consistency into the Stochastic Differential Equation, a valuable constraint for ultra-sparse-view CT reconstruction. The novelty of this data consistency element lies in its sole reliance on original measurement data to confine generation outcomes, effectively balancing measurement data and generative model constraints. Additionally, we pioneer an inference strategy that traces back from current iteration results to ideal truth, enhancing reconstruction stability. We leverage conventional iteration techniques to optimize DOSM updates. Quantitative and qualitative results from 23 views of numerical and clinical cardiac datasets demonstrate DOSM’s superiority over other methods. Remarkably, even with 10 views, our method achieves excellent performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google