.png){kind=icon}
返回
Fixed point method for PET reconstruction with learned plug-and-play regularization
.png){kind=icon}
PRE
AI
DOI：10.1088/1361-6560/ae05ac.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
目的。深度学习在改进医学图像重建方面显示出巨大潜力，包括正电子发射断层扫描（PET）。然而，关于这些方法的稳定性和鲁棒性的担忧依然存在，尤其是在使用有限数据进行训练时。本研究旨在探讨在PET重建中使用即插即用（PnP）框架以解决这些担忧。方法。我们提出了一种基于Douglas–Rachford分裂方法的收敛PnP算法，用于低计数PET重建。我们考虑了几种满足不动点条件的训练去噪器，其收敛特性通过训练期间或设计时确保，包括一个谱归一化网络和深度平衡模型。我们在合成实验和真实研究中，评估了临床相关区域和未见病理病例的偏差-标准差权衡。与模型基迭代重建、重建后去噪、深度端到端展开网络以及带有高斯去噪器的PnP进行了比较。主要结果。我们的方法相较于重建后处理实现了更低的偏差，与模型基迭代重建相比在匹配偏差时降低了标准差。虽然谱归一化在泛化方面表现不佳，但深度平衡模型在PnP重建中与卷积网络保持竞争力，并对未见病理具有更好的泛化能力。与端到端展开网络相比，它也具有更一致的泛化性。意义。本研究表明，PnP框架在提高PET重建的图像质量和定量精度方面具有潜力。同时强调了如何对去噪网络施加收敛条件以确保稳健和可泛化性能的重要性。
期刊
P
IF:
0
论文数:
243
被引数:
0
机构
引用论文
Learning with fixed point condition for convergent PnP PET reconstruction固定点条件下收敛PnP PET重建的学习.png)
IF0
PREAI
分享收藏Y. Belkouchi, J.-C. Pesquet, A. Repetti, H. Talbot, Learning truly monotone operators with applications to nonlinear inverse problems, SIAM J. Imaging Sci. 18 (1) (2025) 735–764.Y. Belkouchi, J.-C. Pesquet, A. Repetti, H. Talbot, 学习真正的单调算子及其在非线性反问题中的应用, SIAM J. Imaging Sci. 18 (1) (2025) 735–764.
IF0
PREAI
分享收藏Plug and play augmented HQS: Convergence analysis and its application in MRI reconstructionNEUROCOMPUTING
NEUROCOMPUTINGIF6.5
PREAI
分享收藏
查看更多内容