[論文レビュー] Tomographic Image Reconstruction using Dictionary Priors.

Sara Soltani, Martin S. Andersen+1 more|arXiv (Cornell University)|Mar 6, 2015

Sparse and Compressive Sensing Techniques参考文献 29被引用数 4

ひとこと要約

本論文は、トレーニング画像から導出されたプロトタイプ要素の辞書を活用して構造的事前知識を強制する凸最適化フレームワークを提案する。辞書におけるスパース表現を促進することで、特に少数の投影条件下において、Total Variation よりも優れた再構成品質と強化された構造的特徴を達成する。

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.

研究の動機と目的

• トレーニング画像からの事前知識を統合することで、トモグラフィック再構成における投影データの制限に取り組む。
• 学習された画像プロトタイプの辞書を用いて構造的情報を符号化する正則化フレームワークを開発する。
• Total Variation 正則化がしばしばぼやけさせてしまう細かな構造的特徴を保持することで、画像品質を向上させる。
• 再構成プロセスにおけるモデルパラメータと正則化パラメータの相互作用を体系的に分析する。

提案手法

• スパース表現技術を用いて、トレーニング画像の集合からプロトタイプ画像要素の辞書を構築する。
• 測定された投影と整合性を持つデータ適合項と、辞書に基づくスパース促進正則化項を備えた凸最適化問題としてトモグラフィック再構成を定式化する。
• 測定された投影と整合性を保つために、$β$-divergence または最小二乗法のデータ適合項を用いる。
• 再構成画像を学習済み辞書の少数のアトムの線形結合として表現するためのスパースコーディングを適用する。
• プロキシマル勾配降下法などの一次順序法を用いて再構成を最適化し、辞書の構造を活用して計算を効率化する。
• 計算実験を通じて正則化パラメータとモデルハイパーパrameterを調整し、データ適合性とスパarsityのバランスを取る。

実験結果

リサーチクエスチョン

• RQ1 トレーニング画像から導出された辞書事前知識は、限られた角度または少数の投影における再構成品質にどのように影響するか？
• RQ2 提案された凸フレームワークにおいて、データ適合性とスパarsity正則化の最適なバランスは何か？
• RQ3 辞書アトムの選択とスパarsity制約は、再構成画像における構造的特徴の保持にどのように影響するか？
• RQ4 構造的忠実度と定量的指標の観点から、辞書ベースの手法は Total Variation 正則化をどのように上回るか？

主な発見

• 特に少数の投影条件下において、Total Variation よりも顕著に構造的特徴が強化された再構成が、辞書事前知識手法によって得られる。
• フレームワークは、Total Variation 正則化がしばしば失う細かいディテールやテクスチャを保持することで、より優れた画像品質を達成する。
• 計算実験により、正則化とモデルパラメータの相互作用が再構成性能に顕著に影響することが示され、最適な設定が優れた結果をもたらす。
• 学習済み辞書におけるスパース表現の使用により、すくない投影データでも過学習を回避しながら効果的な正則化が可能になる。