Oct, 2023

收敛的 ADMM 插拔 PET 图像重建

PDF
TL;DR本研究通过将基于模型的变分重建与独立学习的深度神经网络操作器（DNN）应用到 ADMM 插拔框架中，研究了混合 PET 重建算法。在优化方面的最新结果基础上，通过对网络参数进行额外约束来实现方案的不动点收敛。我们提出了这样的 ADMM 算法，并在一个真实的 [18F]-FDG 合成脑检查中展示了该方案确实实验性地收敛到一个有意义的不动点。当没有在 DNN 的学习过程中强制执行所提出的约束时，实验观察到所提出的 ADMM 算法没有收敛。
发现论文，激发创造
  • 图像恢复的即插即用 ADMM 算法：固定点收敛和应用

    本文提出了一种具有证明的固定点收敛性的 Plug-and-Play ADMM 算法，通过引入有界去噪器的渐近条件，我们证明了该算法会收敛于一个固定点，并且为超分辨率和单光子成像提出了快速实施的解决方案。

    May, 2016

  • 插拔式 ADMM 的性能分析：基于图信号处理角度的研究

    本文讨论了 Plug-and-Play ADMM 算法在图像还原中的表现，并通过将去噪器限制为图滤波器类下的线性假设，提出了等价 MAP 优化存在的条件、表明了性能增益是由于 PnP prior 的固有预去噪特性以及提出了通过共识平衡概念的新分析技术，并为涉及多个先验的问题提供了解释。

    Aug, 2018

  • 辅助引导下的对比扩散模型用于粗到精 PET 重建

    通过粗略到精细的正电子发射断层扫描重建框架，结合辅助指导策略和对比扩散策略，本文提出了一种优化低剂量 PET 图像的方法，改善了 LPET 图像与重建 PET 图像之间的对应关系，提高了临床可靠性。

    Aug, 2023

  • 基于扩散概率模型的伪 MRI 引导 PET 图像重建方法

    该研究使用扩散概率模型 (DPM) 从 FDG-PET 脑部图像中推断出 T1 加权 MRI，进而利用 DPM 生成的 T1w-MRI 指导 PET 重建，表明 MRI 引导的 PET 图像在改善图像质量方面优于 OSEM。

    Mar, 2024

  • 插拔式方法在经过适当训练的去噪器的证明下收敛

    本文介绍了一种名为 Plug-and-play（PnP）的非凸架构，它将现代去噪先验（如 BM3D 或基于深度学习的去噪器）集成到 ADMM 或其他近端算法中。我们在不使用缩小步长的情况下理论上建立了 PnP-FBS 和 PnP-ADMM 的收敛性，提出了实际谱标准化的技术，以满足所提出的 Lipschitz 条件，最后通过实验结果验证了理论的有效性。

    May, 2019

  • 非凸 PnP-ADMM 与 MMSE 去噪算法的收敛性

    基于解释卷积神经网络先验为最小均方误差（MMSE）降噪器的理论解析，论文对 PnP-ADMM 的稳定性进行了解释，并通过对非扩展 DnCNN 降噪器和扩展 DRUNet 降噪器之间性能差距的数值评估，进一步验证了使用扩展卷积神经网络的动机。

    Nov, 2023

  • 基于多码深度图像先验的即插即用 ADMM 图像去噪和 CT 重建

    本研究提出了多编码深度图像滤波方法，可避免过拟合问题并在图像去噪和 CT 重建问题中表现卓越。

    Apr, 2023

  • 具有紧凑先验的低剂量 PET 重建的扩散变换模型

    采用扩散转换器模型（DTM）和联合紧致先验（JCP）指导的方法，该研究提出了一种改进低剂量 PET 成像的重建质量的方法，它结合了扩散模型的强大分布映射能力和变压器模型捕捉远程相关性的能力，实验证明 DTM 在提高图像质量和保留临床信息方面的有效性。

    Jul, 2024

  • 梯度步长去噪器用于插拔式收敛

    本文提出了一种新型的 Plug-and-Play 方法，使用半二次分裂作为正则器，将梯度下降步骤实现为由深度神经网络参数化的功能。作者证明了该算法是一个收敛的迭代方案，可应用于各种形式的逆问题，比如去模糊、超分辨率和修复等，达到与最先进的方法相当的性能。

    Oct, 2021

  • 2.5D 多视角平均扩散模型用于 3D 医学图像翻译：应用于无 CT 衰减校正的低计数 PET 重建

    使用新型的 2.5D 多视角平均扩散模型 (MADM) 进行 3D 图像转换，从非衰减校正低剂量 PET (NAC-LDPET) 到校正衰减标准剂量 PET (AC-SDPET)，实现高质量的 3D 图像翻译。

    Jun, 2024