[논문 리뷰] Tomographic Image Reconstruction using Dictionary Priors.

Sara Soltani, Martin S. Andersen외 1명|arXiv (Cornell University)|2015. 03. 06.

Sparse and Compressive Sensing Techniques참고 문헌 29인용 수 4

한 줄 요약

이 논문은 훈련 이미지에서 유도된 프로토타입 요소의 사전을 활용하여 구조적 사전 지식을 강제하는 볼록 최적화 프레임워크를 제안한다. 사전 내에서 희박한 표현을 촉진함으로써, 특히 소수의 투영 조건에서 전반적인 페널티와 비교해 향상된 구조적 특징을 갖는 우수한 재구성 품질을 달성한다.

ABSTRACT

We describe and examine a framework for tomographic image reconstruction where prior knowledge about the solution is available in the form of training images. We first construct a dictionary that contains prototype elements from these images. Then by using the dictionary as a prior to regularize the inverse problem, and looking for a solution with a sparse representation in the dictionary, we formulate the reconstruction problem in a convex optimization framework. Our computational experiments clarify the choice and interplay of the model parameters and the regularization parameters, and they show that in few-projection settings we are able to produce better images with more structural features than the total variation approach.

연구 동기 및 목표

• 훈련 이미지에서의 사전 지식을 통합하여 투영 데이터가 제한된 톰로그래픽 재구성 문제를 해결하기 위해.
• 학습된 이미지 프로토타입의 사전을 통해 구조적 정보를 인코딩하는 정규화 프레임워크를 개발하기 위해.
• 전반적인 페널티 정규화가 자주 흐리게 만드는 미세한 구조적 특징을 유지함으로써 영상 품질을 향상시키기 위해.
• 재구성 과정에서 모델 파라미터와 정규화 파라미터 간의 상호작용을 체계적으로 분석하기 위해.

제안 방법

• 희박한 표현 기법을 사용하여 훈련 이미지 세트에서 프로토타입 이미지 요소의 사전을 구성한다.
• 측정된 투영과 일관성을 확보하기 위해 $β$-divergence 또는 최소 제곱 데이터 적합성 항을 사용하여, 사전 기반의 희박성 촉진 정규화 항을 포함한 볼록 최적화 문제로 톰로그래픽 재구성을 공식화한다.
• 측정된 투영과의 일관성을 확보하기 위해 $β$-divergence 또는 최소 제곱 데이터 적합성 항을 사용한다.
• 재구성된 영상을 학습된 사전의 몇몇 원자들의 선형 조합으로 표현하기 위해 희박 코딩을 적용한다.
• 사전의 구조를 활용하여 효율적인 계산을 가능하게 하는 일阶 방법(예: 프록시멀 그래디언트 강하)을 사용하여 재구성을 최적화한다.
• 데이터 적합성과 희박성 간의 균형을 맞추기 위해 계산 실험을 통해 정규화 파라미터와 모델 하이퍼파라미터를 조정한다.

실험 결과

연구 질문

• RQ1 훈련 이미지에서 유도된 사전 사전이 한정된 각도 또는 소수의 투영 조건에서 재구성 품질에 어떤 영향을 미치는가?
• RQ2 제안된 볼록 프레임워크에서 데이터 적합성과 희박성 정규화 간의 최적 균형은 무엇인가?
• RQ3 사전 원자들의 선택과 희박성 제약 조건이 재구성 영상의 구조적 특징 유지에 어떤 영향을 미치는가?
• RQ4 구조적 정밀도와 정량적 지표 측면에서 사전 기반 방법이 전반적인 페널티 정규화보다 어떻게 뛰어나게 되는가?

주요 결과

• 특히 소수의 투영 조건에서 전반적인 페널티와 비교해 사전 사전을 사용한 방법이 훨씬 뛰어난 구조적 특징을 갖는 재구성을 생성한다.
• 프록시멀 그래디언트 강하를 사용하여 사전의 구조를 활용하여 효율적인 계산을 수행함으로써, 데이터 적합성과 희박성 간의 균형을 조정함으로써 우수한 성능을 달성한다.
• 계산 실험을 통해 정규화 및 모델 파라미터 간의 상호작용이 재구성 성능에 결정적인 영향을 미치며, 최적 설정에서 뛰어난 결과를 얻는다.
• 학습된 사전 내에서의 희박한 표현을 통해, 제한된 투영 데이터 조건에서도 과적합 없이 효과적인 정규화가 가능하다.