Tomographic Reconstruction using Global Statistical Prior
IIT Bombay（印度理工学院孟买分校）；IITB-Monash Research Academy（印度理工学院孟买分校-莫纳什研究学院）；Monash University（莫纳什大学）
最近的研究断层重建的动机是需要有效地恢复详细的解剖从有限的测量。补偿日益稀疏的测量集合的方法之一是利用来自模板的信息，即，以已经重建的、结构相似的图像的形式可用的先前数据。为此，以前的工作已经利用了一组全球和补丁为基础的字典先验。在本文中，我们提出了一个全球性的前，以提高压缩感知框架内的层析重建的速度和质量。我们选择了一组潜在的代表性的2D图像，称为模板，建立一个特征空间，这是随后用于指导迭代重建一个类似的切片从稀疏采集数据。我们在各种数据集上的实验表明，使用适当的全局先验进行重建，除了速度更快之外，与现有技术相比，重建误差要低得多。
2017-12-06 cs.CV
Ring artifacts correction in compressed sensing tomographic reconstruction
ESRF（欧洲同步辐射装置）；Université de Grenoble（格勒诺布尔大学）
本文提出了一种新的压缩感知层析重建中环状伪影的校正方法。校正是重建过程的一部分，这与经典的正弦图预处理和图像后处理技术不同。介绍了压缩感知层析重建的基本原理。然后，我们表明，环伪影校正可以集成在重建问题的形式主义。我们提供模拟和真实数据的数值结果。该技术包括在PyHST 2代码中，该代码在欧洲同步辐射设施中用于断层重建。
2015-02-05 cs.CV physics.comp-ph
On the crucial impact of the coupling projector-backprojector in iterative tomographic reconstruction
ETH Zurich（苏黎世联邦理工学院）；Paul Scherrer Institute（保罗谢尔研究所）
用于X射线层析成像的迭代重建算法的性能在很大程度上取决于所使用的前向投影仪和后向投影仪的特征。出于这个原因，大量的研究集中在设计具有越来越高的精度和速度的投影仪上。到目前为止，迭代算法的准确性受到数学亲和性以及前向投影和后向投影的实际实现之间的相似性的影响，这里称为“耦合投影仪-后向投影仪”，这是一个被忽视的方面。这里提出的实验研究表明，重建的质量和迭代算法的收敛性在很大程度上依赖于一个良好的匹配之间的实施层析操作。相比之下，其他方面，如独立运营商的准确性，物理约束的使用或停止标准的选择，甚至可能发挥不太相关的作用。
2016-12-16 cs.CV
C-arm Tomographic Imaging Technique for Nephrolithiasis and Detection of Kidney Stones
Southern Illinois University Carbondale（南伊利诺伊大学卡本代尔分校）
在本文中，我们研究了一种新的三维（3D）肾脏成像技术的C臂断层摄影技术的肾结石和肾结石检测视角小于180 o。我们的C型臂断层扫描技术提供了一系列的二维的（2D）图像，单次扫描超过40度视角。实验研究是用一个由猪肾和两个嵌入的肾结石形成的肾脏体模进行的。针对C形臂断层成像技术，提出了不同的重建方法，包括逐点反投影（BP）、滤波反投影（FBP）、同时代数重建技术（SART）和最大似然期望最大化（MLEM）等。利用三维球形物体进行了计算机模拟研究，以评价重建结果。初步结果表明，我们的C型臂断层扫描技术的能力，以产生3D肾信息的肾结石检测与低辐射曝光。肾结石在重建的平面上可见，具有可识别的形状和大小。
2017-06-08 cs.CV
Learning from past scans: Tomographic reconstruction to detect new structures
Indian Institute of Technology Bombay（印度理工学院孟买分校）；Monash University（莫纳什大学）
当测量过程可能有害、需要快速或不经济时，需要从稀疏测量进行断层摄影重建。在这种情况下，来自相同或类似对象的先前纵向扫描的先验信息有助于重建当前对象，同时需要显著更少的“更新”测量。然而，所有基于先验的方法的一个重要限制是先验在测试对象内已经演化的新的局部化信息的重建上可能占主导地位。在本文中，我们通过（1）检测可能发生新变化的潜在区域，以及（2）通过计算区域权重来有效地重建旧结构和新结构，从而减轻先验的局部影响，从而改进了现有技术。我们已经测试了我们的方法的合成以及真实的体积数据的有效性。结果表明，使用加权先验显着提高了重建数据的整体质量，同时最大限度地减少其对包含新信息的区域的影响。
2018-12-23 cs.CV
An active curve approach for tomographic reconstruction of binary radially symmetric objects
为了研究受冲击材料的力学行为，本文提出了一种从一张射线照片中重建径向对称物体的层析成像方法。通常的断层重建算法，如广义逆或滤波反投影不能在这里应用，因为数据是非常嘈杂的和逆问题相关联的单视图断层重建是非常不稳定的。为了改善重建，我们建议在这里添加一些先验假设的照顾对象。其中一个假设是物体是二元的，因此，物体可以通过分离两种材料的曲线来描述。我们提出了一个模型，生活在BV空间，并导致一个非本地的Hamilton-Jacobi方程，通过水平集策略。数值实验进行（使用水平集方法）的合成对象。
2006-07-10 cs.CV math.OC
Adaptive Graph-based Total Variation for Tomographic Reconstructions
Johns Hopkins University（约翰斯·霍普金斯大学）；Okinawa Institute of Science and Technology（冲绳科学技术大学院大学）；École Polytechnique Fédérale de Lausanne（洛桑联邦理工学院）
稀疏利用图像重建（SER）方法已被广泛使用的全变分（TV）正则化断层重建。局部TV方法不能保留纹理细节，并且由于过度平滑而经常产生额外的伪影。非局部电视（NLTV）方法已被提出作为一个解决方案，但他们要么缺乏连续的更新，由于计算的限制或局限于一个小区域的局部性。在本文中，我们提出了自适应基于图形的电视（AGTV）。所提出的方法通过在整个图像中的相似区域之间建立连接而不管空间距离如何来超越被重建的图像的不同区域之间的空间相似性。与NLTV相比，所提出的方法计算效率高，并且在每次迭代期间更新图，使相似区域之间的连接更强。此外，它促进了小波和图梯度域的稀疏性。由于电视是一个特殊的情况下，图电视所提出的方法也可以被看作是一个推广的SER和电视方法。
2018-03-14 cs.CV
Improving analytical tomographic reconstructions through consistency conditions
ETH Zurich（苏黎世联邦理工学院）；Paul Scherrer Institute（保罗·谢勒研究所）
这项工作介绍了一种快速无参数滤波器的基础上Helgason-Ludwig一致性条件，用于提高分析重建的准确性断层欠采样数据集的特点。过滤器，作用在氡域，推断中间的预测之间的现有的。由此产生的正弦图，加倍的意见，然后重建的标准分析方法。用模拟数据进行的实验证明，如果在重建前使用滤波器，则由滤波反投影计算的结果的峰值信噪比提高达5-6 dB。
2016-09-21 cs.CV physics.med-ph
Hybrid adiabatic quantum computing for tomographic image reconstruction -- opportunities and limitations
Friedrich-Alexander Universität Erlangen-Nürnberg（埃尔朗根-纽伦堡弗里德里希-亚历山大大学）；Siemens Healthineers GmbH（西门子医疗有限公司）；Siemens Medical Solutions USA, Inc（美国西门子医疗解决方案公司）
本研究提出利用混合绝热量子计算解决少测量、低信噪比下的断层图像重建问题，实验表明该方法在噪声鲁棒性和少量投影重建上优于传统算法，并指出当前在问题规模和可解释性上的局限。
2022-12-02 cs.CV quant-ph
Tomographic SAR Reconstruction for Forest Height Estimation
University of Cambridge（剑桥大学）；United Nations Office for Outer Space Affairs（联合国外层空间事务厅）；UK Department for Energy Security and Net Zero（英国能源安全与净零部）；INSEC TEC；Drexel University（卓克索大学）
本文提出直接由二维 SLC SAR 图像利用深度学习估计森林冠层高度，并评估 SLC 数量影响；结果表明绕过完整层析处理会使误差增加 16%–21%。
2024-12-03 cs.CV
Frequency-regularized Neural Representation Method for Sparse-view Tomographic Reconstruction
School of Computer Science Guangdong University of Technology Guangzhou, China
针对稀疏视图层析重建中过度关注高频信息导致过拟合的问题，提出频率正则化神经衰减/活度场（Freq-NAF），通过控制神经网络输入可见频带平衡高低频信息，在CBCT和SPECT数据集上实现了最先进的重建精度。
2024-09-22 cs.CV eess.IV
Efficient binary tomographic reconstruction
LMT-Cachan (ENS de Cachan/CNRS/UPMC/PRES UniverSud Paris)（卡尚力学与技术实验室（卡尚高等师范学校/法国国家科学研究中心/皮埃尔与玛丽·居里大学/巴黎南大大学联盟））
被认为是从几个投影的二值图像的层析重建。提出了一种新的{ \em启发式}算法，其核心元素是被搜索图像的像素为1值的概率$p$的非线性变换$ψ(p)=\log(p/(1-p))$.它包括基于$ψ(p)$的反投影和迭代校正。该算法的应用程序的一系列人工测试用例，导致精确的二进制重建，（即恢复的二进制图像为每个像素）从知识的投影数据在几个方向。在几秒钟内重建高达$10^6$像素的图像。一系列的测试案例进行比较与以前的方法，显示出更好的效率和减少计算时间。
2013-09-04 cs.CV physics.class-ph
CodEx: A Modular Framework for Joint Temporal De-blurring and Tomographic Reconstruction
Samsung Research America（三星美国研究院）；Argonne National Laboratory（阿贡国家实验室）；Northwestern University（西北大学）；Purdue University（普渡大学）
在许多计算机断层摄影（CT）成像应用中，从随时间移动或改变的对象快速收集数据是重要的。断层摄影采集通常被假设为步进和拍摄，其中对象被旋转到每个期望的角度，并且拍摄视图。然而，步进扫描采集速度很慢，并且会浪费光子，因此在实践中，在收集数据的同时连续旋转物体进行飞行扫描。然而，这可能导致运动模糊的视图，并因此导致具有严重运动伪影的重建。在本文中，我们介绍了CodEx，一个模块化的框架，联合去模糊和断层重建，可以有效地扭转稀疏视图飞行扫描中引入的运动模糊。该方法是一种新的采集方法与一种新的非凸贝叶斯重建算法的协同组合。CodEx的工作原理是使用已知的二进制码对采集进行编码，然后重建算法将其反转。使用精心选择的二进制码来对测量值进行编码可以提高反演过程的精度。CodEx重建方法使用交替方向乘子法（ADMM）将逆问题分解为迭代去模糊和重建子问题，使重建切实可行。我们目前的重建结果模拟和分箱的实验数据，以证明我们的方法的有效性。
2022-07-31 cs.CV eess.IV
Revisiting $Ψ$DONet: microlocally inspired filters for incomplete-data tomographic reconstructions
University of Ferrara（费拉拉大学）；University of Bologna（博洛尼亚大学）；University of Modena and Reggio Emilia（摩德纳和雷焦艾米利亚大学）
本文重新审视监督学习方法 $Ψ$DONet，通过引入微局部解释并扩展至稀疏角度层析成像，采用受条状伪影奇异性启发的特殊滤波器改进其实现，在保持或提升重建质量的同时大幅减少了可学习参数数量。
2025-01-30 cs.CV cs.LG math.OC
The Application of Convolutional Neural Networks for Tomographic Reconstruction of Hyperspectral Images
University of Southern Denmark（南丹麦大学）；Newtec Engineering A/S（Newtec工程公司）；Mads Clausen Institute（马德斯·克劳森研究所）
提出了一种利用卷积神经网络（CNN）从计算机层析成像光谱仪（CTIS）图像重建高光谱立方体的新方法。目前的重建算法通常受到重建时间长和平庸的情况下，大量的光谱通道。所构造的CNN比稀疏期望最大化算法提供更高的精度和更短的重建时间。此外，该网络可以同时处理两种不同类型的真实世界图像-特别是考虑了彩色图像和胡萝卜光谱图像。这项工作为CTIS图像的高光谱立方体的实时重建铺平了道路。
2022-03-14 cs.CV eess.IV
Stretched sinograms for limited-angle tomographic reconstruction with neural networks
Princeton Neuroscience Institute（普林斯顿神经科学研究所）；Princeton Computer Science Department（普林斯顿大学计算机科学系）
本文提出一种基于卷积网络的有限角度断层重建方法，通过按倾斜角正割值拉伸倾斜视图并输入U-Net直接输出三维重建，实验表明该简单拉伸策略显著优于直接重建和后处理基线。
2023-06-16 cs.CV eess.IV
A Tensor-Based Dictionary Learning Approach to Tomographic Image Reconstruction
Technical University of Denmark（丹麦技术大学）；Tufts University（塔夫茨大学）
我们考虑使用先验的形式，从训练图像学习字典的断层重建。重建有两个阶段：首先，我们构建一个张量字典之前，从我们的训练数据，然后我们提出的重建问题，在该字典中恢复的展开系数。我们的方法与过去的方法不同之处在于：a）我们对图像使用三阶张量表示，b）我们使用张量公式重新构建重建问题。字典学习问题是一个具有稀疏约束的非负张量分解问题。重建问题是制定在凸优化框架中寻找一个解决方案与稀疏表示的张量字典。数值结果表明，我们的张量公式导致非常稀疏的表示的训练图像和重建由于在字典中表示重复的功能compatibility的能力。
2015-06-08 cs.CV cs.NA math.NA
Tomographic Reconstruction and Regularisation with Search Space Expansion and Total Variation
School of Computing & Mathematical Sciences, University of Greenwich（格林威治大学计算与数学科学学院）；Department of Computing, Goldsmiths College, University of London（伦敦大学金史密斯学院计算机系）
本文针对医学成像中不完整数据重建问题，提出结合搜索空间扩展和全变分正则化的群智能优化方法，在Shepp-Logan体模上实现了比标准算法和领先优化器更低的重建误差。
2024-06-03 cs.CV cs.NE
Partial light field tomographic reconstruction from a fixed-camera focal stack
INRIA（法国国家信息与自动化研究所）
本文描述了一种新的方法，部分重建高分辨率的4D光场从一堆不同的聚焦照片与固定的相机。首先，使用结合梯度检测和区域扩展与图切割的简单方法从该堆栈计算焦点图。然后，由于相机的校准，该聚焦图被转换为深度图。在此之后，我们通过仅对场景的聚焦区域进行反向投影来进行对极图像的断层重建。我们称之为掩模反向投影。从深度图计算反投影的角度。由于我们通过适当地利用在大的焦距间隔上捕获的图像内容来实现高的角分辨率，我们能够呈现令人困惑的透视偏移，尽管原始照片是从固定位置的单个固定相机拍摄的。
2015-03-06 cs.CV cs.GR
Fast Stochastic Hierarchical Bayesian MAP for Tomographic Imaging
Pennsylvania State University（宾夕法尼亚州立大学）；U.S. Naval Research Laboratory（美国海军研究实验室）
任何图像恢复算法都试图以及时的方式实现最高质量的重建。前者可以通过几种方式实现，其中之一是通过结合贝叶斯先验知识，利用自然图像趋势来提示相关现象。层次贝叶斯MAP（HB-MAP）就是这样一种方法，它被称为产生令人信服的结果，虽然在一个相当大的计算成本。我们希望提供进一步的分析和见解是什么使HB-MAP的工作。在保留HB-MAP的I型估计的熟练性质的同时，我们提出了一种基于随机近似的II型估计方法。由此产生的算法，快速随机HB-MAP（fsHBMAP），需要显着减少操作，同时保持高重建质量。我们采用我们的fsHBMAP计划对问题的层析成像，并证明fsHBMAP promises有前途的结果相比，许多竞争的方法。
2017-07-07 cs.CV
Stabilizing Deep Tomographic Reconstruction
Rensselaer Polytechnic Institute（伦斯勒理工学院）；Southeast University（东南大学）；Fudan University（复旦大学）；University of Massachusetts Lowell（马萨诸塞大学洛厄尔分校）；The University of Hong Kong（香港大学）
使用深度学习的断层扫描图像重建是一个新兴领域，但最近的一项具有里程碑意义的研究表明，几种深度重建网络对于计算机断层扫描（CT）和磁共振成像（MRI）是不稳定的。具体而言，报告了三种不稳定性：（1）来自微小扰动的强烈图像伪影，（2）深度重建图像中丢失的小特征，以及（3）随着输入数据的增加而降低的成像性能。另一方面，压缩感知（CS）启发的重构方法由于其内置的内核感知而不遭受这些不稳定性。为了使深度重建充分发挥其潜力并成为断层成像的主流方法，通过稳定深度重建网络来应对这一挑战至关重要。在这里，我们提出了一个分析压缩迭代深度（ACID）框架来解决这一挑战。ACID协同使用在大数据上训练的深度重建网络，来自CS启发处理的内核感知，以及迭代细化，以最大限度地减少相对于实际测量的数据残差。我们的研究表明，使用ACID的深度重建是准确和稳定的，并揭示了在有界相对误差范数（BREN）条件下ACID迭代的收敛机制。特别是，该研究表明，基于ACID的重建对对抗性攻击具有弹性，优于单独的经典稀疏正则化重建，并消除了三种不稳定性。我们预计，这种集成的数据驱动的方法将有助于促进发展和翻译的深层断层图像重建网络的临床应用。
2021-09-13 cs.CV cs.LG eess.IV
Limited View Tomographic Reconstruction Using a Deep Recurrent Framework with Residual Dense Spatial-Channel Attention Network and Sinogram Consistency
Yale University（耶鲁大学）；Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）
有限视图断层摄影重建旨在从有限数量的正弦图或投影视图重建断层摄影图像，这些正弦图或投影视图由减少辐射剂量或缩短扫描时间的稀疏视图或有限角度采集产生。然而，由于正弦图的不完整性，这种重建遭受高噪声和严重伪影。为了导出质量重建，先前的最先进的方法使用UNet类神经架构来从有限的视图数据直接预测全视图重建;但是这些方法在很大程度上保留了深度网络架构问题，并且不能保证重建图像的正弦图与采集的正弦图之间的一致性，从而导致非理想重建。在这项工作中，我们提出了一种新的经常性重建框架，堆叠相同的块多次。循环块由定制设计的剩余密集空间通道注意力网络组成。此外，我们开发了一个正弦图一致性层交织在我们的经常性框架，以确保采样正弦图是一致的经常性块的中间输出的正弦图。我们在两个数据集上评估我们的方法。我们在AAPM低剂量CT Grand Challenge数据集上的实验结果表明，我们的算法在有限角度重建（PSNR优于5dB）和稀疏视图重建（PSNR优于4dB）方面都比现有的最先进的神经方法实现了一致和显着的改进。此外，我们在深部病变数据集上的实验结果表明，我们的方法能够为8种主要病变类型生成高质量的重建。
2020-09-03 cs.CV eess.IV
Direct high-order edge-preserving regularization for tomographic image reconstruction
The University of Manchester（曼彻斯特大学）
本文提出了一种新的断层图像重建的两层迭代算法。该算法使用了一种正则化技术，我们称之为边缘保持拉普拉斯算子，它保留了对象之间的尖锐边缘，同时阻尼了重建图像平滑区域的杂散振荡。我们的数值模拟表明，该方法优于总变分（TV）正则化，它是有竞争力的组合TV-L2惩罚。获得的重建图像显示出增加的信噪比和视觉上吸引人的结构特征。所提出的技术的计算机实现和参数控制是简单的，这增加了它在许多层析应用的可行性。在本文中，我们将我们的方法应用到欠采样的计算机断层扫描（CT）投影数据，也被认为是在发射断层扫描重建的情况下，MATLAB代码提供支持所获得的结果。
2015-09-15 cs.CV cs.MS cs.NA
A Geometry-Informed Deep Learning Framework for Ultra-Sparse 3D Tomographic Image Reconstruction
Stanford University（斯坦福大学）
深度学习为增强生物医学成像的设备提供了巨大的机会，尽管其设计和实现存在潜在的缺陷。从根本上说，大多数深度学习模型完全由数据驱动，没有考虑任何先验知识，这大大增加了神经网络的复杂性，限制了应用范围和模型的泛化能力。在这里，我们建立了一个几何信息的深度学习框架，用于超稀疏三维断层图像重建。我们介绍了一种新的机制，整合成像系统的几何先验。我们证明，无缝列入已知的先验是必不可少的，以提高超稀疏采样的三维体积计算机断层扫描成像的性能。该研究为数据驱动的生物医学成像开辟了新的途径，并有望为各种临床成像和图像引导干预提供实质性改进的成像工具。
2021-05-25 cs.CV cs.LG eess.IV
Tomographic Image Reconstruction using Training images
Technical University of Denmark（丹麦技术大学）
本文提出一种利用训练图像的断层图像重建算法，通过非负字典和正则化非负矩阵分解实现稀疏表示，减少计算复杂度，并在低剂量设置下表现优异。
2015-08-17 cs.CV cs.NA math.NA
Low radiation tomographic reconstruction with and without template information
IIT Bombay（孟买印度理工学院）；Monash University（莫纳什大学）；IITB-Monash Research Academy（IITB-莫纳什研究院）
与标准剂量计算机断层扫描（CT）相比，低剂量断层扫描在医疗程序中具有更低的辐射风险。然而，X射线的强度越低，采集噪声越高，因此重建遭受伪影。大量的工作都集中在改进算法，以尽量减少这些文物。在这项工作中，我们提出了两种新的技术，重新缩放的非线性最小二乘法和泊松-高斯卷积，重建的基础图像利用一个准确或接近准确的统计模型的预测中的噪声。我们还提出了一种重建方法时，先验知识的基础对象的模板的形式。这适用于纵向研究，其中多次扫描同一对象以观察其随时间演变的变化。我们对3D数据的研究结果表明，先验信息可用于补偿低剂量伪影，我们证明，通过一种称为“再辐射”的方法，可以同时防止先验信息对测试对象中新变化的重建产生不利影响。此外，我们还提出了两种技术的正则化参数自动调整层析反演。
2019-12-23 cs.CV eess.IV
High-Quality Tomographic Image Reconstruction Integrating Neural Networks and Mathematical Optimization
Department of Data Science, Friedrich-Alexander-Universität Erlangen-Nürnberg Erlangen-Nürnberg（数据科学系，埃朗根-纽伦堡大学）；Department of Mathematics, Linköping University（数学系，利德斯堡大学）；Electric Power Systems unit, RISE - Research Institutes of Sweden（电力系统单元，瑞典研究机构）
本研究提出一种集成神经网络与数学优化的断层图像重建方法，通过边缘检测网络减少伪影，提升界面锐度和材料均匀性，实验验证效果优于基准算法。
2025-09-07 cond-mat.mtrl-sci cs.CV
Tomographic reconstruction to detect evolving structures
IIT Bombay（印度理工学院孟买分校）；Monash University（莫纳什大学）；IITB-Monash Research Academy（印度理工学院孟买分校-莫纳什大学研究院）
当测量过程可能有害、需要快速或不经济时，需要从稀疏测量进行断层摄影重建。在这种情况下，来自相同对象的先前纵向扫描的信息有助于重建当前对象，同时需要显著更少的更新测量。我们的工作是基于纵向数据采集方案，我们希望研究随着时间的推移，在一个对象内，如在重复扫描疾病监测，或在断层扫描引导的外科手术过程中演变的新变化。虽然当从大量投影视图获取测量值时这是容易可行的，但是当视图的数量有限时这是具有挑战性的。如果目标是跟踪变化，同时减少子采样伪影，我们建议（1）从少量视图中获取测量值，并使用全局未加权的基于先验的重建。如果目标是观察新变化的细节，我们建议（2）从适量的视图中获取测量值并使用更复杂的重建例程。我们表明，在后一种情况下，加权技术是必要的，以防止先前的不利影响重建的新结构是不存在的任何早期扫描。新区域的重建是保障从偏见的先验通过计算区域的权重，缓和的局部影响的先验。因此，我们能够在测试中有效地重建旧结构和新结构。除了模拟数据上的测试，我们已经验证了我们的方法对真实的断层数据的有效性。结果表明，使用未加权和加权先验在不同的情况下。
2019-09-11 cs.CV eess.IV
Feature reconstruction from incomplete tomographic data without detour
University of Innsbruck（因斯布鲁克大学）
在本文中，我们考虑的问题，从不完整的X射线CT数据的特征重建。出现这样的问题，例如，这是由于在背景医学成像中剂量减少的结果。由于从不完整的数据进行图像重建是严重不适定的问题，因此重建的图像可能遭受特征伪影或丢失的特征，并且显著地使随后的图像处理任务复杂化（例如，边缘检测或分割）。在本文中，我们介绍了一种新的框架，直接从CT数据的卷积图像特征的鲁棒重建，而不需要计算重建第一。在我们的框架内，我们使用非线性（变分）正则化方法，可以适应各种特征重建任务和几个有限的数据情况。在我们的数值实验中，我们考虑了几个实例的边缘重建角度欠采样数据，并表明我们的方法是能够可靠地重建特征图在这种情况下。
2022-02-22 cs.CV cs.NA eess.IV
Proposal of fault-tolerant tomographic image reconstruction
University of Tsukuba（筑波大学）
本文提出一种容错断层成像重建算法，通过使用L1范数替代L2范数，结合凸优化中的近端分裂框架，提升异常数据下的重建鲁棒性。
2016-09-20 cs.CV cs.NA math.NA
High-resolution tomographic reconstruction of optical absorbance through scattering media using neural fields
School of Information Science and Technology, ShanghaiTech University（上海科技大学信息科学与技术学院）；School of Physical Science and Technology, ShanghaiTech University（上海科技大学物理科学与技术学院）；Institute of Mathematical Science, ShanghaiTech University（上海科技大学数学科学研究所）；School of Mathematics, University of Birmingham（伯明翰大学数学学院）
提出基于神经场的NeuDOT方案，通过连续编码光吸收实现高分辨率层析重建，在14毫米深度解析复杂3D物体，优于现有方法。
2023-04-04 cs.CV physics.optics
Noise-resilient approach for deep tomographic imaging
Massachusetts Institute of Technology（麻省理工学院）；qiTech, Inc.（qiTech公司）
本文提出了一种抗噪声的X射线层析成像深度重建算法。我们的方法显示出强大的抗噪能力，而无需获得嘈杂的训练样本。我们的框架的优点可以进一步实现低光子断层成像。
2022-11-22 cs.CV eess.IV
PyHST2: an hybrid distributed code for high speed tomographic reconstruction with iterative reconstruction and a priori knowledge capabilities
Joint Unit CNRS/Saint-Gobain Surface du Verre et Interfaces（CNRS/圣戈班表面与界面联合单位）；Department of Physics, Ludwig Maximilians University（物理系，路易·迪布瓦-米勒大学）
PyHST2是一种用于高速断层扫描重建的混合分布式代码，支持迭代重建和先验知识，适用于第三代同步辐射设施的高数据流需求。
2013-06-06 cs.CV cs.NA math.NA
DiffNR: Diffusion-Enhanced Neural Representation Optimization for Sparse-View 3D Tomographic Reconstruction
Monash University（莫纳什大学）；The Australian National University（澳大利亚国立大学）；Hong Kong Polytechnic University（香港理工大学）
DiffNR通过引入扩散先验改进神经表示优化，解决稀疏视图下CT成像的严重伪影问题，提升PSNR并保持高效优化。
2026-04-23 cs.CV eess.IV
ToNNO: Tomographic Reconstruction of a Neural Network's Output for Weakly Supervised Segmentation of 3D Medical Images
TheraPanacea；University of Crete（克里特大学）；IACM, FORTH（FORTH 应用与计算数学研究所）；Archimedes, Athena RC（雅典研究中心阿基米德研究所）；CentraleSupélec, University of Paris-Saclay（中央理工-高等电力学院，巴黎-萨克雷大学）
针对3D医学图像弱监督分割，提出ToNNO方法，通过逆Radon变换重建2D编码器输出的3D热图，并结合CAM方法在四个数据集上优于传统2D CAM方法。
2024-04-19 cs.CV cs.LG eess.IV
Multi-domain Integrative Swin Transformer network for Sparse-View Tomographic Reconstruction
Sun Yat-sen University（中山大学）；China Three Gorges University（三峡大学）；The First People’s Hospital of Yichang（宜昌市第一人民医院）
减少投影视图以降低X射线辐射剂量通常会导致严重的条纹伪影。为了提高稀疏数据的图像质量，本文提出了一种多域集成Swin Transformer网络（MIST-net）。首先，MIST-net采用灵活的网络结构，将数据、残差数据、图像和残差图像等丰富的域特征融合在一起，其中残差数据和残差图像子网络被视为数据一致性模块，以消除插值和重建误差。其次，一个可训练的边缘增强滤波器被纳入检测和保护图像的边缘。第三，高质量的重建Swin Transformer（即，Recformer）被设计用于捕获图像全局特征。在48个视图的数值和真实心脏临床数据集上的实验结果表明，我们提出的MIST-net提供了更好的图像质量，具有更多的小特征和尖锐的边缘比其他竞争对手。
2022-04-15 cs.CV cs.LG eess.IV
UVTomo-GAN: An adversarial learning based approach for unknown view X-ray tomographic reconstruction
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
断层重建恢复一个未知的图像给定其从不同角度的投影。解决该问题的现有技术方法假设与投影相关联的角度是先验已知的。鉴于此知识，重建过程是简单的，因为它可以被公式化为凸问题。在这里，我们解决了一个更具挑战性的设置：1）投影角度是未知的，2）它们是从未知的概率分布中绘制的。在此设置中，我们的目标是使用无监督对抗学习方法恢复图像和投影角度分布。为此，我们制定的问题之间的分布匹配的真实投影线和生成的估计图像和投影分布。然后，通过在发电机和发电机之间的最小-最大博弈中达到均衡来解决这个问题。我们的新贡献是使用对抗学习同时恢复未知的投影分布和图像。为了适应这一点，我们使用Gumbel-softmax近似的样本分类分布近似发电机的损失作为未知图像和投影分布的函数。我们的方法可以推广到不同的反问题。我们的仿真结果表明，我们的方法在成功地恢复图像和投影分布在各种设置的能力。
2021-02-09 cs.CV cs.LG eess.IV
A hierarchical approach to deep learning and its application to tomographic reconstruction
GE Research（GE研究中心）
深度学习（DL）在许多图像分析和图像增强任务中表现出前所未有的性能。然而，解决大规模的逆问题，如层析重建仍然具有挑战性的DL。这些问题涉及输入域和输出域之间的非局部和空间变化的积分变换，尚未找到有效的神经网络模型。之前尝试通过监督学习解决此类问题依赖于强力全连接网络，并将其应用于重建$128^4$系统矩阵大小。这实际上不能缩放到现实的数据大小，例如三维数据集的$512^4$和$512^6$。在这里，我们提出了一个新的框架，通过将原始问题转换为输入和输出数据之间的连续中间表示来解决深度学习的问题。原始问题被分解为一系列更简单的变换，这些变换可以很好地映射到一个高效的分层网络架构上，其参数比通用网络所需的参数要少。我们将该方法应用于$512^4$系统矩阵大小的计算机断层成像（CT）图像重建。据我们所知，这使得第一个数据驱动的DL求解器能够用于全尺寸CT重建，而不依赖于直接（分析）或迭代（数值）反演技术的结构。所提出的方法是适用于其他成像问题，如发射和磁共振重建。更广泛地说，分层DL打开了一扇大门，一类新的求解器的一般逆问题，这可能会导致改善信噪比，空间分辨率和计算效率在各个领域。
2019-12-16 cs.CV cs.LG eess.IV
Maximum entropy based non-negative optoacoustic tomographic image reconstruction
Institute of Biological and Medical Imaging, Helmholtz Zentrum Munich（慕尼黑亥姆霍兹中心生物与医学成像研究所）；Technical University Munich（慕尼黑工业大学）
目的：光声层析成像技术旨在重建生物组织中光脉冲吸收所引起的初始压力升高的图像。在实际应用中，由于正演模型中的假设不准确、噪声等实验因素，图像常常受到伪影的影响，有时表现为负值。本工作的目的是开发一种反演方法，减少负值的出现，提高光声成像的定量性能。研究方法：我们提出了一种基于熵最大化算法的光声层析成像新方法，该方法使用对数正则化来实现非负重建。使用基于结构先验的注量校正进一步改善重建图像质量。结果：我们报告的性能实现的熵最大化方案的数值模拟，实验体模和体内样品。结论：所提出的算法通过提供非负像素值而没有可见的解剖结构失真来展示优越的重建性能。重要性：我们的方法可以实现定量光声成像，并有可能改善临床前和平移成像应用。
2019-01-12 cs.CV eess.IV physics.med-ph
A method for locally approximating regularized iterative tomographic reconstruction methods
CWI（荷兰国家数学与计算机科学研究所）；Mathematical Institute, Leiden University（莱顿大学数学研究所）
本文提出一种局部近似正则化迭代断层成像方法，通过仅在感兴趣区域进行计算，降低计算需求，实现与全局方法相近的重建质量。
2016-04-08 cs.CV cs.NA math.NA
The hybrid approach -- Convolutional Neural Networks and Expectation Maximization Algorithm -- for Tomographic Reconstruction of Hyperspectral Images
University of Southern Denmark（南丹麦大学）；Newtec Engineering A/S（Newtec工程公司）；Mads Clausen Institute（马德斯·克劳森研究所）
我们提出了一种简单但新颖的混合方法，从计算机断层扫描成像光谱（CTIS）图像，依次结合神经网络和迭代期望最大化（EM）算法的高光谱数据立方体重建。我们训练和测试的能力的方法来重建数据立方体的$100\times100\times25$和$100\times100\times100$体素，对应于25和100光谱通道，从模拟CTIS图像由我们的CTIS模拟器生成。混合方法利用卷积神经网络（CNN）关于噪声的固有强度及其产生一致重建的能力，并利用EM算法在没有训练的情况下推广到任何对象的光谱图像的能力。对于25通道和100通道的情况，混合方法对于可见（包括在CNN训练中）和不可见（从CNN训练中排除）立方体实现了比CNN和EM单独更好的性能。对于25个光谱通道，从CNN到混合模型（CNN + EM）在均方误差方面的改进在14- 26%之间。对于100个频谱通道，实现了19-40%之间的改进，对于CNN在训练期间没有暴露的看不见的数据，最大改进为40%。
2022-12-19 cs.CV eess.IV
Deep learning based dictionary learning and tomographic image reconstruction
KTH Royal Institute of Technology（瑞典皇家理工学院）；Philips Research（飞利浦研究院）
本文提出一种结合稀疏信号处理与深度学习的临床低剂量层析图像重建方法，将字典学习解释为分布对齐过程并证明其类似变分自编码器，在CT重建中取得与先进方法相当的竞争力。
2021-08-26 cs.CV cs.LG cs.NE
Gradient Descent Provably Solves Nonlinear Tomographic Reconstruction
Department of Electrical Engineering, Stanford University（斯坦福大学电子工程系）
本文提出通过非线性正向模型直接重建信号，证明梯度下降在非凸优化中能以几何速率收敛至全局最优，减少金属伪影。
2026-03-23 cs.CV math.OC physics.med-ph
