用于多合一稀疏视图CT重建的Lipschitz约束网络引导方法

《IEEE Transactions on Medical Imaging》：Prompting Lipschitz-constrained network for multiple-in-one sparse-view CT reconstruction

提出LipNet显式满足Lipschitz约束的深度网络和PromptCT多视图重建框架，解决传统方法证明困难与存储成本高问题，实验证明其效果更优且理论收敛性得到验证。

　　

摘要：

尽管基于深度学习的稀疏视图计算机断层扫描（SVCT）重建算法取得了显著进展，但这些方法仍面临两个主要限制：(i) 由于深度展开算法的先验网络是经验性设计的，因此很难明确证明它们满足Lipschitz约束。(ii) 在多视图情况下，为每种设置训练单独的模型会导致较高的存储成本，从而阻碍了其实际临床应用。为了解决这些问题，我们设计了一个能够明确证明满足Lipschitz约束的网络，称为LipNet，并集成了一个显式的提示模块，以提供对不同稀疏采样设置的区分性理解，从而能够在单个模型中处理多种稀疏视图配置。此外，我们还开发了一个用于多视图SVCT重建的存储优化深度展开框架，称为PromptCT，该框架将LipNet作为其先验网络，以确保相应迭代算法的收敛性。在模拟数据和真实数据实验中，PromptCT在多视图SVCT重建方面优于基准算法，实现了更高质量的重建且存储成本更低。在理论方面，我们明确证明了LipNet满足边界性质，进一步验证了其Lipschitz连续性，并分析了所提出迭代算法的收敛性。数据和代码可在https://github.com/shibaoshun/PromptCT公开获取。