[论文解读] Total Variation Regularisation in Measurement and Image space for PET reconstruction

Martin Burger, Jahn Müller+2 more|arXiv (Cornell University)|Mar 5, 2014

Medical Imaging Techniques and Applications参考文献 25被引用 5

一句话总结

本文提出了一种新颖的PET图像重建方法，通过在图像空间和投影（sino­gram）空间中同时应用总变差（TV）正则化，以提升重建质量，尤其针对细长结构。通过联合最小化图像及其Radon变换（sino­gram）的TV惩罚项，该方法减少了阶梯状伪影并增强了边缘保持能力，在应用sino­gram正则化时，于具有平滑边界的高分辨率真实体素模型中实现了更高的信噪比（SNR）。

ABSTRACT

The aim of this paper is to test and analyze a novel technique for image reconstruction in positron emission tomography, which is based on (total variation) regularization on both the image space and the projection space. We formulate our variational problem considering both total variation penalty terms on the image and on an idealized sinogram to be reconstructed from a given Poisson distributed noisy sinogram. We prove existence, uniqueness and stability results for the proposed model and provide some analytical insight into the structures favoured by joint regularization. For the numerical solution of the corresponding discretized problem we employ the split Bregman algorithm and extensively test the approach in comparison to standard total variation regularization on the image. The numerical results show that an additional penalty on the sinogram performs better on reconstructing images with thin structures.

研究动机与目标

• 提升PET图像重建质量，特别是保留常因噪声而模糊的细长结构。
• 解决标准图像空间TV正则化在物体边界处引入阶梯状伪影的局限性。
• 探究在图像空间之外对sino­gram（投影数据）进行正则化是否能在泊松噪声下提升重建保真度。
• 为所提出的联合正则化模型建立理论保证（存在性、唯一性、稳定性）。
• 通过数值实验表明，联合正则化在保留细节和提升SNR方面优于仅使用图像空间TV的标准方法，尤其在具有平滑边界的高分辨率真实体素模型中。

提出的方法

• 构建一个带双总变差（TV）惩罚项的变分PET重建模型：一项针对图像 $ u \in BV(\mathbb{R}^2) $，另一项针对sino­gram $ \mathcal{R}u \in BV(\Sigma) $，其中 $ \Sigma $ 为投影空间。
• 通过加权 $ L^2 $ 拟合项 $ \int_{\Sigma} \frac{(g - \mathcal{R}u)^2}{g} $ 近似Kullback-Leibler散度，以建模测量值 $ g $ 中的泊松噪声。
• 引入两个正则化参数 $ \alpha $ 和 $ \beta $，以平衡图像空间与sino­gram空间的TV惩罚。
• 采用分裂Bregman算法高效求解离散化后的优化问题。
• 对 $ \mathbb{R}^2 $ 中的圆形物体进行解析推导，通过Radon变换计算对应的sino­gram与图像。
• 在XCAT体素模型上进行数值实验，比较在不同噪声水平和分辨率下，是否应用sino­gram正则化时的重建结果。

实验结果

研究问题

• RQ1 与仅使用图像空间TV的常规方法相比，是否在图像和sino­gram空间中联合使用总变差正则化能更有效地保留PET图像中的细长和细长结构？
• RQ2 所提模型在解的存在性、唯一性和稳定性方面的理论行为如何？
• RQ3 sino­gram正则化参数 $ \beta $ 的选择如何影响重建质量，尤其与物体尺寸和边界结构的关系如何？
• RQ4 该方法能否减少TV正则化PET重建中常见的阶梯状伪影？
• RQ5 在何种条件下sino­gram正则化能提升SNR，特别是在具有平滑边界的高分辨率真实体素模型中？

主要发现

• 在图像和sino­gram空间中联合使用TV正则化显著减少了物体边界处的阶梯状伪影，尤其在高分辨率XCAT体素模型的重建中表现明显。
• 当初始数据具有平滑边界（如真实高分辨率体素模型）时，sino­gram正则化可使SNR提高达1.75 dB（从17.76提升至19.51），证明了其有效性。
• 对于具有方块状边界的低分辨率体素模型，sino­gram正则化会因过度平滑而降低SNR，表明其优势具有上下文依赖性。
• 最优 $ \beta $ 值被发现接近物体或其凸包的半径 $ r $，提示正则化强度与物体尺寸之间存在几何关联。
• 理论分析证实了解的存在性、唯一性和稳定性，采用Bregman距离量化误差与收敛性。
• 数值结果表明，该方法在保留细小结构和增强边缘锐度方面优于仅使用图像空间TV的标准方法，尤其在高噪声、高分辨率条件下表现更优。