One Sample Diffusion Model in Projection Domain for Low-Dose CT Imaging

要約

低線量コンピュータ断層撮影 (CT) は、臨床応用における放射線リスクの軽減に重要な役割を果たします。
ただし、放射線量を下げると、画質が著しく低下します。
ディープ ラーニングの急速な発展と幅広い応用により、低線量 CT イメージング アルゴリズムの開発に新しい方向性がもたらされました。
したがって、低線量 CT 再構成のための投影ドメインで完全に教師なし 1 サンプル拡散モデル (OSDM) を提案します。
単一のサンプルから十分な事前情報を抽出するために、ハンケル行列の定式化が採用されています。
さらに、ペナルティ付き加重最小二乗法と全変動を導入して、優れた画質を実現します。
具体的には、事前分布をキャプチャするためのネットワーク入力として構造ハンケル行列から多数のテンソルを抽出することにより、最初に 1 つのサイノグラムでスコアベースの生成モデルをトレーニングします。
次に、推論段階で、確率微分方程式ソルバーとデータ整合性ステップを繰り返し実行して、サイノグラム データを取得します。
最後に、フィルター処理された逆投影アルゴリズムによって最終的な画像が取得されます。
再構成された結果は、通常用量の対応物に近づいています。
この結果は、OSDM がアーティファクトを低減し、画質を維持するための実用的で効果的なモデルであることを証明しています。

要約(オリジナル)

Low-dose computed tomography (CT) plays a significant role in reducing the radiation risk in clinical applications. However, lowering the radiation dose will significantly degrade the image quality. With the rapid development and wide application of deep learning, it has brought new directions for the development of low-dose CT imaging algorithms. Therefore, we propose a fully unsupervised one sample diffusion model (OSDM)in projection domain for low-dose CT reconstruction. To extract sufficient prior information from single sample, the Hankel matrix formulation is employed. Besides, the penalized weighted least-squares and total variation are introduced to achieve superior image quality. Specifically, we first train a score-based generative model on one sinogram by extracting a great number of tensors from the structural-Hankel matrix as the network input to capture prior distribution. Then, at the inference stage, the stochastic differential equation solver and data consistency step are performed iteratively to obtain the sinogram data. Finally, the final image is obtained through the filtered back-projection algorithm. The reconstructed results are approaching to the normal-dose counterparts. The results prove that OSDM is practical and effective model for reducing the artifacts and preserving the image quality.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google