基于深度Gauss-Newton步骤的被动γ射线发射断层成像加速重建方法

《IEEE Transactions on Computational Imaging》：Robust Model-Based Iteration for Passive Gamma Emission Tomography

　　

摘要：

被动γ射线发射断层成像（PGET）是国际原子能机构批准的一种技术，用于在地质处置前验证乏核燃料组件。从PGET测量中重构发射图和衰减图是一个非线性不适定反问题，目前使用Levenberg-Marquardt（LM）算法求解，该算法需要10-20次迭代才能达到足够的精度。我们提出了一种加速迭代求解器，将LM算法与深度Gauss-Newton步骤相结合，其中通过学习到的算子在每次迭代时改进确定性算法所提出的更新。基于信赖域模型的保障性条件确保加速迭代的结果不劣于LM，并保持向正则化目标函数临界点的收敛。在该框架内，我们比较了学习组件的三种架构：编码器-解码器风格的卷积神经网络、傅里叶神经算子和傅里叶神经算子。每个模型都在少量粗粒度模拟的9×9组件上进行训练。在芬兰核电站的模拟和真实测量数据上的实验表明，所提出的方案大约用三分之一的迭代次数即可达到LM质量的重构效果，同时揭示了不同架构在应对分布外输入的鲁棒性方面存在差异。