English
Efficient TpV minimization for circular, cone-beam computed tomography reconstruction via non-convex optimization.
文件大小：
2423k
资源说明：Efficient TpV minimization for circular, cone-beam computed tomography reconstruction via non-convex optimization.
本文讨论了一种高效最小化总p-变分(TpV)的算法，该算法是针对圆形锥束计算机断层扫描(CT)重建的，采用了非凸优化方法。文章提到传统总变分(TV)正则化方法使用的是图像梯度幅度的L1范数，然而本文提出了一种新的方法，利用了一般化的p-收缩函数来对梯度幅度图像(GMI)进行正则化，这种方法被证明是更好的稀疏性度量。作者们构建了一个基于p-变分最小化(TpV)的重建模型，这个模型与现有的方法不同，它带有约束条件，确保估算的投影数据在可用数据的特定容差范围内，并且体素图像的值是非负的。理论推导表明，由p-收缩引起的惩罚函数的近端映射具有精确且封闭形式的表达式，因此，可以通过交替方向最小化(ADM)方案稳定且高效地解决带约束的优化问题。通过变量拆分解耦的每个子问题，可以由ADM开发的明确且易于实现的公式进行最小化。提出的算法使用图形处理单元(GPU)高效实现，并被称为“TpV-ADM”。
文章介绍了一些关键词，包括交替方向方法、少视图重建、一般化p-收缩和总体p-变分，这些都是当前在图像重建领域内非常重要的研究方向。圆锥束CT的重建是医学成像和计算机图形学领域的重要问题，特别是在获得较少投影数据时，如何重建出高质量的三维图像一直是该领域所面临的挑战。在这些情况下，图像重建算法必须能够处理噪声和不完全数据。
文章继续解释了常规的TV正则化使用的是L1范数，即图像梯度的绝对值之和，但它可能导致“阶梯效应”，即重建图像中出现不自然的边缘。为了解决这个问题，作者们采用了p-收缩方法，该方法对梯度值进行非线性缩放，从而更精确地保留图像的稀疏性。p-收缩是一种非凸函数，它可以对小的梯度值进行抑制，而对大的梯度值进行保护，以此来更精细地处理图像的稀疏性特征。
此外，作者提出的总体p-变分(TpV)最小化是一种创新的方法，它综合考虑了图像的全局特性，而非仅考虑局部梯度信息。TpV最小化是基于p-变分的，它通过调整参数p来平衡图像稀疏性的估计，当p接近1时，TpV将趋向于L1正则化；当p大于1时，TpV将开始展示对稀疏性更强的偏好，这对于减少图像重建中的伪影和增强图像的细节非常有用。
文章还提到了该算法在GPU上的高效实现，这利用了GPU的并行计算能力来加速迭代过程中的计算任务。GPU计算已经在医学成像领域显示出了巨大的潜力，因为它可以显著提高处理速度，同时不牺牲结果的精确度。算法的实现被称为TpV-ADM，展示了即使在视图数量非常少的情况下，算法也能够稳定和准确地进行图像重建。
文章通过使用不同的数据集（包括理想的、有噪声的和实际的投影数据）进行验证和比较，表明所提出的方法是有效且有前景的。这些验证和比较证实了TpV-ADM算法在重建质量、计算效率和鲁棒性方面的优势。
这篇文章提出了一种新的非凸优化方法来处理圆锥束CT图像重建问题，该方法通过引入p-收缩和TpV最小化来改善图像质量，并且能够在有限的视图数条件下依然保持高精度，对于医学成像领域来说，这无疑是一个重要的进步。
本源码包内暂不包含可直接显示的源代码文件，请下载源码包。
