La fonctionnalité de recherche est en construction.
La fonctionnalité de recherche est en construction.

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. ex. Some numerals are expressed as "XNUMX".
Copyrights notice

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. Copyrights notice

Multiclass Dictionary-Based Statistical Iterative Reconstruction for Low-Dose CT Reconstruction itérative statistique basée sur un dictionnaire multiclasse pour la tomodensitométrie à faible dose

Hiryu KAMOSHITA, Daichi KITAHARA, Ken'ichi FUJIMOTO, Laurent CONDAT, Akira HIRABAYASHI

  • Vues en texte intégral

    0

  • Citer

Résumé:

Cet article propose une méthode de reconstruction d’images de tomodensitométrie (CT) de haute qualité à partir de données de projection de rayons X à faible dose. Une méthode de pointe, proposée par Xu et al., exploite l'apprentissage par dictionnaire pour les correctifs d'image. Cette méthode génère un dictionnaire surcomplet à partir de parcelles d'images CT à dose standard et reconstruit des images CT à faible dose en minimisant la somme d'une fidélité de données et d'un terme de régularisation basé sur des représentations clairsemées avec le dictionnaire. Cependant, cette méthode ne prend pas en compte les caractéristiques de chaque patch, telles que les textures ou les bords. Dans cet article, nous proposons de classer tous les correctifs en plusieurs classes et d'utiliser un dictionnaire individuel avec un paramètre de régularisation individuel pour chaque classe. De plus, pour un calcul rapide, nous introduisons l’orthogonalité aux vecteurs colonnes de chaque dictionnaire. Étant donné que des correctifs similaires sont collectés dans le même cluster, la dégradation de la précision due à l'orthogonalité se produit rarement. Nos simulations montrent que la méthode proposée surpasse l’état de l’art en termes de précision et de rapidité.

Publication
IEICE TRANSACTIONS on Fundamentals Vol.E104-A No.4 pp.702-713
Date de publication
2021/04/01
Publicisé
2020/10/06
ISSN en ligne
1745-1337
DOI
10.1587/transfun.2020EAP1020
Type de manuscrit
PAPER
Catégories
Analyse numérique et optimisation

Auteurs

Hiryu KAMOSHITA
  Ritsumeikan University
Daichi KITAHARA
  Ritsumeikan University
Ken'ichi FUJIMOTO
  Kagawa University
Laurent CONDAT
  King Abdullah University of Science and Technology
Akira HIRABAYASHI
  Ritsumeikan University

Mots-clés

Table des matières