適応型グループsparsityの正則化に基づく加重辞書学習アルゴリズムによるスパース角CT再構築

目的：スパース表現辞書学習再構成アルゴリズムにおけるぼやけた構造の詳細と過剰なスムージング効果を解決するために、この研究は、適応型グループ-sparsity正規化（AGSR-SART）に基づいた加重辞書学習アルゴリズムを使用したまばらな角度CT再構成をテストすることを目的としています。 方法：まず、共分散がユークリッド距離に導入される新しい類似性測定値が定義されます。非ローカル画像パッチは、まばらな表現の基本単位として異なるサイズのグループに適応的に分割されます。第二に、通常の制約項の重み係数は、辞書で表される残差を通じて設計されているため、アルゴリズムは反復プロセス中に画像の異なる領域に異なる平滑化効果をもたらします。スパース再構築された画像は、推定値と中間画像の違いに応じて変更されます。最後に、SBI（分割Bregman反復）反復アルゴリズムを使用して目的関数を解きます。提案された方法のパフォーマンスを評価するために、腹部の画像、骨盤画像、胸部画像が採用されています。 結果：定量的評価の観点から、実験結果は、新しいアルゴリズムがPSNR 48.20、最大SSIMが99.06％、最小MAEが0.0028であることを示しています。 結論：この研究は、新しいアルゴリズムが再構築されたCT画像の構造の詳細をよりよく維持できることを示しています。まばらな角度再構築における過度の滑らかなスムージングの効果を排除し、画像のスパース性と非局所的な類似性を高め、したがって、いくつかの既存の再構成アルゴリズムよりも優れています。

OBJECTIVE: In order to solve the blurred structural details and over-smoothing effects in sparse representation dictionary learning reconstruction algorithm, this study aims to test sparse angle CT reconstruction with weighted dictionary learning algorithm based on adaptive Group-Sparsity Regularization (AGSR-SART). METHODS: First, a new similarity measure is defined in which Covariance is introduced into Euclidean distance, Non-local image patches are adaptively divided into groups of different sizes as the basic unit of sparse representation. Second, the weight factor of the regular constraint terms is designed through the residuals represented by the dictionary, so that the algorithm takes different smoothing effects on different regions of the image during the iterative process. The sparse reconstructed image is modified according to the difference between the estimated value and the intermediate image. Last, The SBI (Split Bregman Iteration) iterative algorithm is used to solve the objective function. An abdominal image, a pelvic image and a thoracic image are employed to evaluate performance of the proposed method. RESULTS: In terms of quantitative evaluations, experimental results show that new algorithm yields PSNR of 48.20, the maximum SSIM of 99.06% and the minimum MAE of 0.0028. CONCLUSIONS: This study demonstrates that new algorithm can better preserve structural details in reconstructed CT images. It eliminates the effect of excessive smoothing in sparse angle reconstruction, enhances the sparseness and non-local self-similarity of the image, and thus it is superior to several existing reconstruction algorithms.