[论文解读] Accurate image reconstruction from few-views and limited-angle data in divergent-beam CT

Emil Y. Sidky, Chien-Min Kao+1 more|ArXiv.org|Apr 28, 2009

Medical Imaging Techniques and Applications参考文献 6被引用 951

一句话总结

本文提出一种总变差（TV）正则化的迭代重建算法，用于发散束 computed tomography（CT），可在少量视角、有限角度或噪声投影数据下实现高精度图像重建。通过最小化图像梯度的TV，该方法能够保持边缘并抑制伪影，在稀疏和不一致数据的数值研究中优于传统的ART和EM算法。

ABSTRACT

In practical applications of tomographic imaging, there are often challenges for image reconstruction due to under-sampling and insufficient data. In computed tomography (CT), for example, image reconstruction from few views would enable rapid scanning with a reduced x-ray dose delivered to the patient. Limited-angle problems are also of practical significance in CT. In this work, we develop and investigate an iterative image reconstruction algorithm based on the minimization of the image total variation (TV) that applies to divergent-beam CT. Numerical demonstrations of our TV algorithm are performed with various insufficient data problems in fan-beam CT. The TV algorithm can be generalized to cone-beam CT as well as other tomographic imaging modalities.

研究动机与目标

• 解决在投影数据因视角过少、角度范围有限或探测器噪声导致不足时，发散束CT中的图像重建挑战。
• 克服滤波反投影（FBP）等分析方法在数据不足时产生严重伪影的局限性。
• 开发一种利用图像梯度稀疏性的迭代算法，以在无需显式正则化的情况下提高重建精度。
• 在存在缺失探测器通道和信号噪声等实际数据缺陷的情况下，验证该方法的鲁棒性。
• 将该方法推广至扇束和锥束CT，并扩展其在其他断层成像模态中的适用性。

提出的方法

• 将图像重建表述为一个约束优化问题，目标是最小化图像的总变差（TV），其定义为图像空间梯度模长的总和。
• 实现一种迭代算法，交替执行数据投影（确保与测量投影一致）和梯度下降（最小化TV以在图像梯度中实现稀疏性）。
• 在投影阶段应用非负性约束，以保持物理上合理的图像数值。
• 采用两阶段迭代方案：首先，强制满足数据一致性和非负性；其次，应用梯度下降以最小化TV，从而生成正则化解。
• 通过将前向投影模型适配至发散束几何结构，将该方法推广至扇束和锥束CT。
• 利用医学和工业CT图像通常具有分段常数结构的特性，导致梯度图像稀疏，从而有效利用TV惩罚项。

实验结果

研究问题

• RQ1 在标准分析方法失效的少量视角投影数据下，总变差最小化能否有效重建出准确的CT图像？
• RQ2 与传统的ART和EM算法相比，TV基迭代算法在有限角度扫描条件下的表现如何？
• RQ3 TV方法在投影数据存在坏探测器通道和信号噪声时，能在多大程度上抑制伪影？
• RQ4 当梯度图像仅近似稀疏时，TV算法是否仍能保持图像质量和定量准确性？
• RQ5 TV方法能否推广至锥束CT及其他具有类似数据不足问题的断层成像模态？

主要发现

• 在少量视角的扇束CT重建中，TV算法即使在无显式正则化（仅依赖迭代次数限制）的情况下，产生的伪影也显著少于ART和EM算法。
• 在有限角度问题中，TV方法在视觉和定量指标上均优于标准分析方法和传统迭代技术。
• 在存在噪声数据和坏探测器通道的情况下，TV算法能有效抑制条纹伪影和噪声放大，表现优于产生严重伪影的ART算法。
• 两阶段实现（先数据投影，后TV梯度下降）生成的正则化图像保持了高精度和锐利的边缘。
• TV基重建在数据不一致条件下仍具鲁棒性，表现出有效的噪声处理能力和伪影抑制能力。
• 数值结果表明，即使图像梯度仅近似稀疏，TV方法仍能实现高精度重建，支持其在真实世界CT应用中的实际效用。