Dual-energy computed tomography (DECT) has been widely used in many applications that need material decomposition. Image-domain methods directly decompose material images from high- and low-energy attenuation images, and thus, are susceptible to noise and artifacts on attenuation images. The purpose of this study is to develop an improved iterative neural network (INN) for high-quality image-domain material decomposition in DECT, and to study its properties. We propose a new INN architecture for DECT material decomposition. The proposed INN architecture uses distinct cross-material convolutional neural network (CNN) in image refining modules, and uses image decomposition physics in image reconstruction modules. The distinct cross-material CNN refiners incorporate distinct encoding-decoding filters and cross-material model that captures correlations between different materials. We study the distinct cross-material CNN refiner with patch-based reformulation and tight-frame condition. Numerical experiments with extended cardiactorso (XCAT) phantom and clinical data show that the proposed INN significantly improves the image quality over several image-domain material decomposition methods, including a conventional model-based image decomposition (MBID) method using an edge-preserving regularizer, a recent MBID method using pre-learned material-wise sparsifying transforms, and a noniterative deep CNN method. Our study with patch-based reformulations reveals that learned filters of distinct cross-material CNN refiners can approximately satisfy the tight-frame condition.
翻译:在需要材料分解的许多应用中,广泛使用了双重能源计算断层法(DECT) 。 图像- 域名法直接分解高低能衰减图像中的材料图像,因此在衰减图像中很容易受到噪音和工艺品的影响。 本研究的目的是开发一个改进的迭代神经网络(INN),用于DECT中高质量的图像-成像材料分解,并研究其特性。 我们为 DECT材料分解提出了一个新的 INNN 结构。 拟议的IMN 结构在图像精炼模块中使用独特的跨材料神经网络(CNN),并在图像重建模块中使用图像分解物理物理物理物理物理物理分析法。 我们用基于补丁的重新组合和紧凑框架条件研究CNN 的跨材料精细精细精细精细工艺。 IMN(XCAT) 精选和临床数据显示,拟议的IMU- Ren- 神经神经神经网络网络网络(CNNNN) 使用一些常规的变压方法,包括常规的变压方法, 一种常规的图像- 变压方法,用来改进我们图像- 的图像- 的图像- 的图像- 的模型- 结构- 结构- 结构- 一种常规- 结构- 一种常规- 的模型- 一种常规- 模型- 模型- 模型- 结构- 一种常规- 一种常规- 模型- 模型- 一种常规- 的模型- 模型- 一种非结构- 一种常规- 一种常规- 的模型- 方法,包括一种不结构- 一种不结构- 的模型- 一种常规- 的模型- 的模型- 结构- 模型- 一种常规- 一种常规- 的模型- 的模型- 的模型- 的模型- 模型- 方法- 的模型- 一种- 一种- 一种- 一种- 一种- 一种- 一种- 一种- 一种- 一种- 一种- 一种- 一种- 一种- 一种- 一种- 一种- 一种- 一种- 一种- 一种- 一种- 一种- 一种- 一种- 一种- 一种- 一种- 一种- 一种- 一种- 一种-