基于低秩与全变分联合正则化的低剂量CT图像重建

doi:10.11772/j.issn.1001-9081.2024040478

《计算机应用》唯一官方网站 ›› 2025, Vol. 45 ›› Issue (3): 978-987.DOI: 10.11772/j.issn.1001-9081.2024040478

• 多媒体计算与计算机仿真 • 上一篇下一篇

基于低秩与全变分联合正则化的低剂量CT图像重建

刘宇¹^,², 张鹏程¹^,²(), 张丽媛¹^,², 刘祎¹^,², 桂志国¹^,², 张雪怡¹^,², 朱陈一菲¹^,², 汤豪威¹^,²

^1.生物医学成像与影像大数据山西省重点实验室（中北大学），太原 030051
^2.中北大学信息与通信工程学院，太原 030051

收稿日期:2024-04-22 修回日期:2024-08-28 接受日期:2024-08-30 发布日期:2024-09-14 出版日期:2025-03-10
通讯作者: 张鹏程
作者简介:刘宇（1999—），男，河北沧州人，硕士研究生，主要研究方向：医学图像重建、医学图像处理
张丽媛（1990—），女，河北石家庄人，讲师，博士，主要研究方向：放射治疗方案优化、医学图像处理
刘祎（1987—），女，河南商丘人，教授，博士，主要研究方向：医学图像分析、图像重建
桂志国（1972—），男，天津人，教授，博士，主要研究方向：信号与信息处理、放射治疗方案优化、图像重建
张雪怡（2000—），女，河南新乡人，硕士研究生，主要研究方向：医学图像处理、医学图像重建
朱陈一菲（2005—），女，河北衡水人，主要研究方向：图像处理
汤豪威（2000—），男，河南周口人，硕士研究生，主要研究方向：图像重建。
基金资助:
山西省基础研究计划项目(20210302124403);山西省回国留学人员科研资助项目(2021?111)

Low-dose CT image reconstruction based on low-rank and total variation joint regularization

Yu LIU¹^,², Pengcheng ZHANG¹^,²(), Liyuan ZHANG¹^,², Yi LIU¹^,², Zhiguo GUI¹^,², Xueyi ZHANG¹^,², Chenyifei ZHU¹^,², Haowei TANG¹^,²

^1.Shanxi Provincial Key Laboratory for Biomedical Imaging and Big Data （North University of China），Taiyuan Shanxi 030051，China
^2.School of Information and Communication Engineering，North University of China，Taiyuan Shanxi 030051，China

Received:2024-04-22 Revised:2024-08-28 Accepted:2024-08-30 Online:2024-09-14 Published:2025-03-10
Contact: Pengcheng ZHANG
About author:LIU Yu， born in 1999， M. S. candidate. His research interests include medical image reconstruction， medical image processing.
ZHANG Liyuan， born in 1990， Ph. D.， lecturer. Her research interests include radiotherapy program optimization， medical image processing.
LIU Yi， born in 1987， Ph. D.， professor. Her research interests include medical image analysis， image reconstruction.
GUI Zhiguo， born in 1972， Ph. D.， professor. His research interests include signal and information processing， radiotherapy program optimization， image reconstruction.
ZHANG Xueyi， born in 2000， M. S. candidate. Her research interests include medical image processing， medical image reconstruction.
ZHU Chenyifei， born in 2005. Her research interests include image processing.
TANG Haowei， born in 2000， M. S. candidate. His research interests include image reconstruction.
Supported by:
Shanxi Provincial Basic Research Program(20210302124403);Scientific Research Funding Project for Returned Overseas Students of Shanxi Province(2021-111)

摘要/Abstract

摘要：

针对全变分（TV）最小化方法在低剂量计算机断层扫描（LDCT）图像重建中易导致的图像过平滑和块状效应等问题，提出一种基于低秩与TV联合正则化的LDCT图像重建方法，以提升LDCT重建图像的视觉质量。首先，建立一个基于低秩与TV联合正则化的图像重建模型，从而从理论上获得更精确和自然的重建结果；其次，通过引入具有非局部自相似特性的低秩先验克服仅使用TV最小化方法存在的局限性；最后，采用Chambolle-Pock （CP）算法优化求解上述模型，以提高模型的求解效率，并保证模型能有效求解。在3种不同LDCT扫描条件下验证所提方法的有效性。在Mayo数据集上的实验结果表明，与PWLS-LDMM（Penalized Weighted Least-Squares based on Low-Dimensional Manifold）方法、NOWNUNM（NOnlocal Weighted NUclear Norm Minimization）方法和CP方法相比，在25%剂量下，所提方法的视觉信息保真度（VIF）分别提升了28.39%、8.30%和2.93%；在15%剂量下，所提方法的VIF分别提升了29.96%、13.83%和4.53%；在10%剂量下，所提方法的VIF分别提升了30.22%、17.10%和7.66%。可见，所提方法在消除噪声和条纹伪影的同时能保留更多的细节纹理信息，验证了所提方法具有较好的噪声伪影抑制能力。

关键词: 低剂量计算机断层扫描, Chambolle-Pock算法, 低秩, 全变分, 图像重建

Abstract:

Aiming at the problems that the Total Variation （TV） minimization method easily leads to image over-smoothing and block effects in Low-Dose Computed Tomography （LDCT） image reconstruction， an LDCT image reconstruction method based on low-rank and TV joint regularization was proposed to improve the visual quality of LDCT reconstructed images. Firstly， a low-rank and TV joint regularization based image reconstruction model was established， thus， more accurate and natural reconstruction results were obtained theoretically. Secondly， a low-rank prior with non-local self-similarity property was introduced to overcome the limitations of only using the TV minimization method. Finally， the Chambolle-Pock （CP） algorithm was used to optimize and solve the model， which improved the solution efficiency of the model and ensured the effective solution of the model. The effectiveness of the proposed method was verified under three different LDCT scanning conditions. Experimental results on Mayo dataset show that compared with the PWLS-LDMM （Penalized Weighted Least-Squares based on Low-Dimensional Manifold） method， NOWNUNM （NOnlocal Weighted NUclear Norm Minimization） method and CP method， at 25% dose， the proposed method increases the Visual Information Fidelity （VIF） by 28.39%， 8.30% and 2.93%， respectively； at 15% dose， the proposed method increases the VIF by 29.96%， 13.83% and 4.53%， respectively； at 10% dose， the proposed method increases the VIF by 30.22%， 17.10% and 7.66%， respectively. It can be seen that the proposed method can retain more detailed texture information while removing noise and stripe artifacts， which verifies that the proposed method has better noise artifact suppression capability.

Key words: Low-Dose Computed Tomography (LDCT), Chambolle-Pock (CP) algorithm, low-rank, Total Variation (TV), image reconstruction

中图分类号:

TP 391.41

刘宇, 张鹏程, 张丽媛, 刘祎, 桂志国, 张雪怡, 朱陈一菲, 汤豪威. 基于低秩与全变分联合正则化的低剂量CT图像重建[J]. 计算机应用, 2025, 45(3): 978-987.

Yu LIU, Pengcheng ZHANG, Liyuan ZHANG, Yi LIU, Zhiguo GUI, Xueyi ZHANG, Chenyifei ZHU, Haowei TANG. Low-dose CT image reconstruction based on low-rank and total variation joint regularization[J]. Journal of Computer Applications, 2025, 45(3): 978-987.

图/表 24

图1 Mayo数据集上25%剂量的LDCT图像重建结果

Fig. 1 LDCT image reconstruction results at 25% dose on Mayo dataset

图2 Mayo数据集上25%剂量的LDCT图像重建的ROI

Fig. 2 ROIs of LDCT image reconstruction at 25% dose on Mayo dataset

图3 Mayo数据集上25%剂量的LDCT图像重建的残差结果

Fig. 3 Residual results of LDCT image reconstruction at 25% dose on Mayo dataset

表1 Mayo数据集上25%剂量下不同示例的LDCT图像重建定量结果

Tab. 1 Quantitative results of LDCT image reconstruction for different examples at 25% dose on Mayo dataset

方法	PSNR/dB	SSIM	RMSE	VIF
FBP	26.829 1	0.521 1	0.045 6	0.422 6
PWLS-LDMM	31.155 3	0.787 5	0.027 7	0.565 7
NOWNUNM	32.395 5	0.803 3	0.024 0	0.579 5
CP	32.939 2	0.798 6	0.022 5	0.550 4
本文方法	33.816 9	0.810 0	0.020 4	0.591 9

图4 Mayo数据集上15%剂量的LDCT图像重建结果

Fig. 4 LDCT image reconstruction results at 15% dose on Mayo dataset

图5 Mayo数据集上15%剂量的LDCT图像重建的ROI

Fig. 5 ROIs of LDCT image reconstruction at 15% dose on Mayo dataset

图6 Mayo数据集上15%剂量的LDCT图像重建的残差结果

Fig. 6 Residual results of LDCT image reconstruction at 15% dose on Mayo dataset

表2 Mayo数据集上15%剂量下不同示例的LDCT图像重建定量结果

Tab. 2 Quantitative results of LDCT image reconstruction for different examples at 15% dose on Mayo dataset

方法	PSNR/dB	SSIM	RMSE	VIF
FBP	26.482 7	0.521 0	0.047 4	0.437 1
PWLS-LDMM	35.885 3	0.861 0	0.016 1	0.642 1
NOWNUNM	35.681 4	0.870 4	0.016 4	0.639 3
CP	35.820 7	0.868 8	0.016 2	0.608 6
本文方法	36.574 2	0.886 5	0.014 8	0.682 4

图7 Mayo数据集上10%剂量LDCT图像重建结果

Fig. 7 LDCT image reconstruction results at 10% dose on Mayo dataset

图8 Mayo数据集上10%剂量的LDCT图像重建的ROI

Fig. 8 ROIs of LDCT image reconstruction at 10% dose on Mayo dataset

图9 Mayo数据集上10%剂量的LDCT重建的残差结果

Fig. 9 Residual results of LDCT image reconstruction at 10% dose on Mayo datasets

表3 在Mayo数据集上10%剂量下不同示例的LDCT图像重建定量结果

Tab. 3 Quantitative results of LDCT image reconstruction for different examples at 10% dose on Mayo dataset

方法	PSNR/dB	SSIM	RMSE	VIF
FBP	16.032 9	0.344 4	0.157 9	0.413 1
PWLS-LDMM	32.387 2	0.779 9	0.024 0	0.559 1
NOWNUNM	32.988 0	0.800 3	0.022 4	0.572 0
CP	32.794 8	0.783 3	0.022 9	0.511 1
本文方法	33.594 6	0.811 7	0.020 9	0.577 9

图10 Mayo数据集上不同剂量的LDCT图像重建结果

Fig. 10 LDCT reconstruction results at different doses on Mayo dataset

表4 Mayo数据集上不同剂量下同一示例的LDCT图像重建定量结果

Tab. 4 Quantitative results of LDCT image reconstruction for same example at different doses on Mayo dataset

方法	25%剂量				15%剂量				10%剂量
方法	PSNR/dB	SSIM	RMSE	VIF	PSNR/dB	SSIM	RMSE	VIF	PSNR/dB	SSIM	RMSE	VIF
FBP	25.206 4	0.523 6	0.054 9	0.368 5	22.703 0	0.445 0	0.073 3	0.331 0	20.585 4	0.383 4	0.093 5	0.298 4
PWLS-LDMM	33.904 7	0.809 7	0.020 1	0.552 9	32.968 5	0.776 7	0.022 4	0.492 7	31.197 7	0.736 6	0.027 5	0.449 0
NOWNUNM	35.127 5	0.855 5	0.017 5	0.655 5	34.237 5	0.827 0	0.019 4	0.562 5	33.410 7	0.799 2	0.021 3	0.499 3
CP	33.718 0	0.856 8	0.020 6	0.689 7	33.580 0	0.841 6	0.020 9	0.612 5	33.023 4	0.822 0	0.022 3	0.543 1
本文方法	35.509 5	0.864 5	0.016 7	0.709 9	34.289 7	0.850 7	0.019 2	0.640 3	33.716 2	0.837 5	0.020 6	0.584 7

图11 Piglet数据集上25%剂量的LDCT图像重建结果

Fig. 11 LDCT image reconstruction results at 25% dose on Piglet dataset

图12 Piglet数据集上25%剂量的LDCT图像重建的ROI

Fig. 12 ROIs of LDCT image reconstruction at 25% dose on Piglet dataset

表5 在Piglet数据集上25%剂量的LDCT图像重建定量结果

Tab. 5 Quantitative results of LDCT image reconstruction at 25% dose on Piglet dataset

方法	PSNR/dB	SSIM	RMSE	VIF
FBP	16.237 2	0.316 5	0.154 2	0.432 0
PWLS-LDMM	31.101 1	0.772 9	0.027 9	0.612 3
NOWNUNM	31.349 4	0.779 4	0.027 1	0.675 8
CP	31.312 9	0.955 1	0.027 2	0.700 5
本文方法	33.989 8	0.957 5	0.020 0	0.738 5

图13 Piglet数据集上15%剂量的LDCT图像重建结果

Fig. 13 LDCT image reconstruction results at 15% dose on Piglet dataset

图14 Piglet数据集上15%剂量的LDCT图像重建的ROI

Fig. 14 ROIs of LDCT image reconstruction at 15% dose on Piglet dataset

表6 Piglet数据集上15%剂量LDCT图像重建定量结果

Tab. 6 Quantitative results of LDCT image reconstruction at 15% dose on Piglet dataset

方法	PSNR/dB	SSIM	RMSE	VIF
FBP	16.241 8	0.344 4	0.154 1	0.350 3
PWLS-LDMM	31.347 4	0.783 1	0.027 1	0.492 9
NOWNUNM	31.023 7	0.785 4	0.028 1	0.675 0
CP	31.037 3	0.783 3	0.028 1	0.708 6
本文方法	31.442 1	0.811 7	0.026 8	0.753 0

图15 Piglet数据集上10%剂量的LDCT图像重建结果

Fig.15 LDCT image reconstruction results of 10% dose on Piglet dataset

图16 Piglet数据集上10%剂量的LDCT图像重建的ROI

Fig. 16 ROIs of LDCT image reconstruction at 10% dose LDCT reconstruction on Piglet dataset

表7 在Piglet数据集下10%剂量LDCT图像重建定量结果

Tab. 7 Quantitative results of LDCT image reconstruction at 10% dose on Piglet dataset

方法	PSNR/dB	SSIM	RMSE	VIF
FBP	14.178 3	0.265 6	0.195 5	0.384 8
PWLS-LDMM	30.411 5	0.758 0	0.030 2	0.617 4
NOWNUNM	30.317 2	0.892 4	0.030 5	0.647 7
CP	31.894 9	0.959 4	0.025 4	0.684 2
本文方法	32.520 8	0.960 5	0.023 7	0.696 7

图17 通过不同的参数对优化参数

Fig. 17 Parameter optimized by different parameter pairs

参考文献 41

1	BRENNER D J， HALL E J. Computed tomography — an increasing source of radiation exposure［J］. The New England Journal of Medicine， 2007， 357（22）： 2277-2284.
2	OTHMAN A E， BONGERS M N， ZINSSER D， et al. Evaluation of reduced-dose CT for acute non-traumatic abdominal pain： evaluation of diagnostic accuracy in comparison to standard-dose CT［J］. Acta Radiologica， 2018， 59（1）： 4-12.
3	HSIEH J. Adaptive streak artifact reduction in computed tomography resulting from excessive X-ray photon noise［J］. Medical Physics， 1998， 25（11）： 2139-2147.
4	TAMURA A， MUKAIDA E， OTA Y， et al. Superior objective and subjective image quality of deep learning reconstruction for low-dose abdominal CT imaging in comparison with model-based iterative reconstruction and filtered back projection［J］. British Journal of Radiology， 2021， 94（1123）： No.20201357.
5	侯瑞峰，张鹏程，张丽媛，等. 基于全变分正则项展开的迭代去噪网络［J］. 计算机应用， 2024， 44（3）： 916-921.
	HOU R F， ZHANG P C， ZHANG L Y， et al. Iterative denoising network based on total variation regular term expansion［J］. Journal of Computer Applications， 2024， 44（3）： 916-921.
6	ZHANG Y， ZHANG J， LU H. Statistical sinogram smoothing for low-dose CT with segmentation-based adaptive filtering［J］. IEEE Transactions on Nuclear Science， 2010， 57（5）： 2587-2598.
7	GORDON R， BENDER R， HERMAN G T. Algebraic Reconstruction Techniques （ART） for three-dimensional electron microscopy and X-ray photography［J］. Journal of Theoretical Biology， 1970， 29（3）： 471-481.
8	ANDERSEN A H， KAK A C. Simultaneous Algebraic Reconstruction Technique （SART）： a superior implementation of the ART algorithm［J］. Ultrasonic Imaging， 1984， 6（1）： 81-94.
9	DEMPSTER A P， LAIRD N M， RUBIN D B. Maximum likelihood from incomplete data via the EM algorithm［J］. Journal of the Royal Statistical Society： Series B （Methodological）， 1977， 39（1）： 1-22.
10	PICKHARDT P J， LUBNER M G， KIM D H， et al. Abdominal CT with Model-Based Iterative Reconstruction （MBIR）： initial results of a prospective trial comparing ultralow-dose with standard-dose imaging［J］. American Journal of Roentgenology， 2012， 199（6）： 1266-1274.
11	LU S， YANG B， XIAO Y， et al. Iterative reconstruction of low-dose CT based on differential sparse［J］. Biomedical Signal Processing and Control， 2023， 79（Pt B）： No.104204.
12	GEYER L L， SCHOEPF U J， MEINEL F G， et al. State of the art： iterative CT reconstruction techniques［J］. Radiology， 2015， 276（2）： 339-357.
13	WANG F， WANG R， QIU H. Low-dose CT reconstruction using dataset-free learning ［J］. PLoS ONE， 2024， 19（6）： No.e0304738.
14	LIU Y， MA J， FAN Y， et al. Adaptive-weighted total variation minimization for sparse data toward low-dose X-ray computed tomography image reconstruction［J］. Physics in Medicine and Biology， 2012， 57（23）： No.7923.
15	HUANG Y， TAUBMANN O， HUANG X， et al. A new weighted anisotropic total variation algorithm for limited angle tomography［C］// Proceedings of the IEEE 13th International Symposium on Biomedical Imaging. Piscataway： IEEE， 2016： 585-588.
16	XI Y， ZHOU P， YU H， et al. Adaptive-weighted high order TV algorithm for sparse-view CT reconstruction［J］. Medical Physics， 2023， 50（9）： 5568-5584.
17	SIDKY E Y， PAN X. Image reconstruction in circular cone-beam computed tomography by constrained， total-variation minimization［J］. Physics in Medicine and Biology， 2008， 53（17）： No.4777.
18	ZHANG Y， YANG K， ZHU Y， et al. NOWNUNM： nonlocal weighted nuclear norm minimization for sparse-sampling CT reconstruction［J］. IEEE Access， 2018， 6： 73370-73379.
19	ZHANG Y， ZENG D， BIAN Z， et al. Weighted tensor low-rankness and learnable analysis sparse representation model for texture preserving low-dose CT reconstruction［J］. IEEE Transactions on Computational Imaging， 2021， 7： 321-336.
20	KIM K， YE J C， WORSTELL W， et al. Sparse-view spectral CT reconstruction using spectral patch-based low-rank penalty［J］. IEEE Transactions on Medical Imaging， 2015， 34（3）： 748-760.
21	YANG K， XIA W， BAO P， et al. Nonlocal weighted nuclear norm minimization based sparse-sampling CT image reconstruction［C］// Proceedings of the IEEE 16th International Symposium on Biomedical Imaging. Piscataway： IEEE， 2019： 1700-1703.
22	SHEN Y， SUN S， XU F， et al. CT image reconstruction via nonlocal low-rank regularization and data-driven tight frame［J］. Symmetry， 2021， 13（10）： No.1873.
23	HE Y， ZENG L， XU Q， et al. Spectral CT reconstruction via low-rank representation and structure preserving regularization［J］. Physics in Medicine and Biology， 2023， 68（2）： No.025011.
24	WANG S， XIA K， WANG L， et al. Low-rank matrix factorization with nonconvex regularization and bilinear decomposition［J］. Signal Processing， 2022， 201： No.108694.
25	FAZEL M， HINDI H， BOYD S P. A rank minimization heuristic with application to minimum order system approximation［C］// Proceedings of the 2001 American Control Conference — Volume 6. Piscataway： IEEE， 2001： 4734-4739.
26	CANDÈS E J， LI X， MA Y， et al. Robust principal component analysis？［J］. Journal of the ACM， 2011， 58（3）： No.11.
27	YAO J， XU Z， HUANG X， et al. An efficient algorithm for dynamic MRI using low-rank and total variation regularizations［J］. Medical Image Analysis， 2018， 44： 14-27.
28	LIN Z， CHEN M， MA Y. The augmented Lagrange multiplier method for exact recovery of corrupted low-rank matrices［EB/OL］. ［2024-08-29］..
29	王心，朱浩华，刘光灿. 卷积鲁棒主成分分析［J］. 计算机应用， 2021， 41（5）： 1314-1318.
	WANG X， ZHU H H， LIU G C. Convolution robust principal component analysis［J］. Journal of Computer Applications， 2021， 41（5）： 1314-1318.
30	POCK T， CHAMBOLLE A. Diagonal preconditioning for first order primal-dual algorithms in convex optimization［C］// Proceedings of the 2011 International Conference on Computer Vision. Piscataway： IEEE， 2011： 1762-1769.
31	CHAMBOLLE A， POCK T. A first-order primal-dual algorithm for convex problems with applications to imaging［J］. Journal of Mathematical Imaging and Vision， 2011， 40： 120-145.
32	SIDKY E Y， JØRGENSEN J H， PAN X. Convex optimization problem prototyping for image reconstruction in computed tomography with the Chambolle-Pock algorithm［J］. Physics in Medicine and Biology， 2012， 57（10）： No.3065.
33	席雅睿，乔志伟，温静，等. 基于Chambolle-Pock算法框架的高阶TV图像重建算法［J］. 计算机应用， 2020， 40（6）： 1793-1798.
	XI Y R， QIAO Z W， WEN J， et al. High order TV image reconstruction algorithm based on Chambolle-Pock algorithm framework［J］. Journal of Computer Applications， 2020， 40（6）： 1793-1798.
34	BAO P， ZHOU J， ZHANG Y. Few-view CT reconstruction with group sparsity regularization［J］. International Journal for Numerical Methods in Biomedical Engineering， 2018， 34（9）： No.e3101.
35	ROCKAFELLAR R T. Convex analysis［M］. Princeton， NJ： Princeton University Press， 1997.
36	COMBETTES P L， PESQUET J C. Proximal thresholding algorithm for minimization over orthonormal bases［J］. SIAM Journal on Optimization， 2008， 18（4）： 1351-1376.
37	CAI J F， CANDÈS E J， SHEN Z. A singular value thresholding algorithm for matrix completion［J］. SIAM Journal on Optimization， 2010， 20（4）： 1956-1982.
38	牛善洲，梁礼境，李硕，等. 基于低维流形先验的低剂量CT重建方法［J］. 计算机工程与应用， 2023， 59（18）： 242-248.
	NIU S Z， LIANG L J， LI S， et al. Low-dose CT reconstruction using low-dimensional manifold prior［J］. Computer Engineering and Applications， 2023， 59（18）： 242-248.
39	SHEIKH H R， BOVIK A C. Image information and visual quality［J］. IEEE Transactions on Image Processing， 2006， 15（2）： 430-444.
40	MOEN T R， CHEN B， HOLMES D R， Ⅲ， et al. Low-dose CT image and projection dataset［J］. Medical Physics， 2021， 48（2）： 902-911.
41	XIA W， LU Z， HUANG Y， et al. MAGIC： manifold and graph integrative convolutional network for low-dose CT reconstruction［J］. IEEE Transactions on Medical Imaging， 2021， 40（12）： 3459-3472.

[1]	邱华禄, 蔺素珍, 王彦博, 刘峰, 李大威. 基于复卷积双域级联网络的欠采样磁共振图像重建算法[J]. 《计算机应用》唯一官方网站, 2024, 44(2): 580-587.
[2]	刘雨生, 肖学中. 基于扩散模型微调的高保真图像编辑[J]. 《计算机应用》唯一官方网站, 2024, 44(11): 3574-3580.
[3]	樊小宇, 蔺素珍, 王彦博, 刘峰, 李大威. 基于残差图卷积神经网络的高倍欠采样核磁共振图像重建算法[J]. 《计算机应用》唯一官方网站, 2023, 43(4): 1261-1268.
[4]	汪鹏, 张大蔚, 陆正军, 李林昊. 基于可靠性低秩因子分解和泛化差异性差分的运动目标检测[J]. 《计算机应用》唯一官方网站, 2023, 43(2): 514-520.
[5]	任奇泽, 贾洪杰, 陈东宇. 融合局部结构学习的大规模子空间聚类算法[J]. 《计算机应用》唯一官方网站, 2023, 43(12): 3747-3754.
[6]	胡紫琪, 谢凯, 文畅, 李美然, 贺建飚. 生成对抗网络下的低剂量CT图像增强[J]. 《计算机应用》唯一官方网站, 2023, 43(1): 280-288.
[7]	李昆鹏, 张鹏程, 上官宏, 王燕玲, 杨婕, 桂志国. 基于卷积神经网络的时频域CT重建算法[J]. 《计算机应用》唯一官方网站, 2022, 42(4): 1308-1316.
[8]	林乐平, 周宏敏, 欧阳宁. 融合空间位置与结构信息的压缩感知图像重建方法[J]. 《计算机应用》唯一官方网站, 2022, 42(3): 930-937.
[9]	范莉莉, 卢桂馥, 唐肝翌, 杨丹. 基于Hessian正则化和非负约束的低秩表示子空间聚类算法[J]. 《计算机应用》唯一官方网站, 2022, 42(1): 115-122.
[10]	严海升, 马新强. 基于径向基函数的多目标回归特征构建算法[J]. 计算机应用, 2021, 41(8): 2219-2224.
[11]	王心, 朱浩华, 刘光灿. 卷积鲁棒主成分分析[J]. 计算机应用, 2021, 41(5): 1314-1318.
[12]	李杏峰, 黄玉清, 任珍文, 李毅红. 基于自适应邻域的鲁棒多视图聚类算法[J]. 计算机应用, 2021, 41(4): 1093-1099.
[13]	蒋丽, 黄仕建, 严文娟. 基于低秩行为信息和多尺度卷积神经网络的人体行为识别方法[J]. 计算机应用, 2021, 41(3): 721-726.
[14]	李华, 卢桂馥, 余沁茹. 基于干净数据的流形正则化非负矩阵分解[J]. 《计算机应用》唯一官方网站, 2021, 41(12): 3492-3498.
[15]	葛晨宇, 董良, 许伊昆, 常毅, 张宏鸣. 基于总变分低秩组稀疏的全球雷达数据修复算法[J]. 《计算机应用》唯一官方网站, 2021, 41(11): 3353-3361.

基于低秩与全变分联合正则化的低剂量CT图像重建

Low-dose CT image reconstruction based on low-rank and total variation joint regularization

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 24

参考文献 41

相关文章 15

编辑推荐

Metrics