[论文解读] TRex: A Tomography Reconstruction Proximal Framework for Robust Sparse View X-Ray Applications

Mohamed Aly, Guangming Zang+2 more|arXiv (Cornell University)|Jun 11, 2016

Medical Imaging Techniques and Applications参考文献 47被引用 3

一句话总结

TRex 是一种用于鲁棒稀疏视角 X 射线计算机断层扫描重建的灵活近端框架，通过直接使用迭代求解器（尤其是 SART）计算近端算子。在低剂量、稀疏视角条件下，其重建质量与参数鲁棒性优于最先进的方法（如 ADMM-PCG 和 OS-Mom），并采用泊松噪声建模和 SAD 等先进正则化方法。

ABSTRACT

We present TRex, a flexible and robust Tomographic Reconstruction framework using proximal algorithms. We provide an overview and perform an experimental comparison between the famous iterative reconstruction methods in terms of reconstruction quality in sparse view situations. We then derive the proximal operators for the four best methods. We show the flexibility of our framework by deriving solvers for two noise models: Gaussian and Poisson; and by plugging in three powerful regularizers. We compare our framework to state of the art methods, and show superior quality on both synthetic and real datasets.

研究动机与目标

• 解决因病态性与噪声导致传统 FBP 方法失效的低剂量、稀疏视角 X 射线 CT 重建挑战。
• 开发一种灵活且鲁棒的重建框架，将迭代求解器直接集成到近端算法结构中。
• 比较并选择在稀疏视角条件下用于近端算子计算的最有效迭代求解器（如 SART、ART、BICAV、OS-SQS）。
• 在统一框架中支持多种噪声模型（高斯与泊松）和强大正则化方法（ITV、ATV、SAD）。
• 与 ADMM-PCG 和 OS-Mom 等最先进方法相比，展示出更优的重建质量与参数不敏感性。

提出的方法

• TRex 将断层扫描重建表述为一个近端优化问题，直接使用迭代求解器计算近端算子。
• 推导出 SART、ART、BICAV 和 OS-SQS 的闭式近端算子，使其能够集成到近端算法中。
• 该框架支持两种数据保真项：最小二乘（高斯噪声）和加权最小二乘（泊松噪声近似）。
• 集成三种先进正则化方法：各向同性总变差（ITV）、各向异性总变差（ATV）和绝对差之和（SAD）。
• 该框架使用 ASTRA 工具箱实现，支持不同求解器、数据项与正则化方法的即插即用集成。
• 参数调优得到简化，TRex 在参数选择上表现出显著优于 ADMM-PCG 等方法的鲁棒性。

实验结果

研究问题

• RQ1 在病态条件下，哪些迭代重建方法（SART、ART、SIRT、BSSART、BICAV、CG、OS-SQS）在稀疏视角断层扫描中表现最佳？
• RQ2 尽管缺乏收敛性保证，SART 是否可作为灵活框架中用于断层扫描重建的近端算子？
• RQ3 泊松噪声建模与 SAD 正则化相结合，如何提升低剂量、稀疏视角场景下的重建质量？
• RQ4 TRex 在信噪比（SNR）与收敛稳定性方面，与 ADMM-PCG 和 OS-Mom 等最先进方法相比，其定量与定性表现如何？
• RQ5 与现有近端求解器相比，TRex 框架在多大程度上降低了参数敏感性并提升了可用性？

主要发现

• 在所有数据集上，TRex 搭配 SART 与 SAD 正则化方法的信噪比（SNR）均高于 ADMM-PCG 与 OS-Mom，包括在 15 投影数据上。
• 对于 NCAT 与 Mouse 模型，TRex 使用 15 个投影的 SNR 水平可与使用 30 个投影的纯 SART 方法相媲美。
• OS-Mom 方法表现不一致，某些情况下在早期迭代后 SNR 下降，即使使用了松弛策略。
• ADMM-PCG 需要大量手动参数调优且持续不稳定，表明对参数设置高度敏感。
• TRex 显著更易于调优且比 ADMM-PCG 与 OS-Mom 更具鲁棒性，在所有数据集上均能保持一致的高质量重建。
• SART 被确定为稀疏视角应用中的最佳性能求解器，其次是 ART 与 BICAV，尽管其缺乏收敛性保证。