PIRPLE: a penalized-likelihood framework for incorporation of prior images in CT reconstruction.
PIRPLE: a penalized-likelihood framework for incorporation of prior images in CT reconstruction.
复制标题
DOI：
10.1088/0031-9155/58/21/7563
复制
发表时间：
2013-11-07
影响因子：
3.5
通讯作者：
Siewerdsen JH
中科院分区：
文献类型：
--
作者：
Stayman JW;Dang H;Ding Y;Siewerdsen JH
在诊断和治疗过程中，通常会获得一些影像检查。这样的成像序列可以提供大量关于解剖学的患者特定的先验知识，这些先验知识可以结合到基于先前图像的断层重建中，以提高图像质量和更好的剂量利用。我们提出了一种通用的方法，使用基于模型的重建方法，包括测量噪声的公式，也整合了先前的图像。该惩罚似然技术采用结合了先验信息但允许在当前重建和先前图像之间改变的稀疏强制惩罚。此外，由于先验图像通常不与当前图像体积配准，我们提出了一种改进的基于模型的方法，该方法除了重建投影数据外，还寻求先验图像的联合配准。我们证明了基于先验图像和基于模型的方法优于忽略先验数据或缺少噪声模型的方法。此外，我们论证了基于先验图像的重建方法的配准的重要性，并证明了先验图像配准惩罚似然估计(PIRPLE)方法可以在存在噪声和欠采样投影数据的情况下保持较高的图像质量。
Over the course of diagnosis and treatment, it is common for a number of imaging studies to be acquired. Such imaging sequences can provide substantial patient-specific prior knowledge about the anatomy that can be incorporated into a prior-image-based tomographic reconstruction for improved image quality and better dose utilization. We present a general methodology using a model-based reconstruction approach including formulations of the measurement noise that also integrates prior images. This penalized-likelihood technique adopts a sparsity enforcing penalty that incorporates prior information yet allows for change between the current reconstruction and the prior image. Moreover, since prior images are generally not registered with the current image volume, we present a modified model-based approach that seeks a joint registration of the prior image in addition to the reconstruction of projection data. We demonstrate that the combined prior-image- and model-based technique outperforms methods that ignore the prior data or lack a noise model. Moreover, we demonstrate the importance of registration for prior-image-based reconstruction methods and show that the prior-image-registered penalized-likelihood estimation (PIRPLE) approach can maintain a high level of image-quality in the presence of noisy and undersampled projection data.
登录
查看更多内容
影响因子：
10.6
作者：
Erdogan, H;Fessler, JA
通讯作者：
Fessler, JA
影响因子：
10.6
作者：
LANGE, K
通讯作者：
LANGE, K
影响因子：
3.8
作者：
Evans, Joshua D.;Politte, David G.;Williamson, Jeffrey F.
通讯作者：
Williamson, Jeffrey F.
影响因子：
2.3
作者：
ANDERSEN, AH;KAK, AC
通讯作者：
KAK, AC
影响因子：
3.8
作者：
Fahrig, Rebecca;Dixon, Robert;Strobel, Norbert
通讯作者：
Strobel, Norbert