CG-GLORE: Nuovo Metodo di Deep Learning per la Ricostruzione TC a Viste Sparse

Un nuovo approccio di deep learning per la ricostruzione tomografica computerizzata (TC) a viste sparse è stato introdotto in un articolo su arXiv (ID: 2608.15246). Questa tecnica, chiamata CG-GLORE, è un framework di deep unrolling semplificato che trae ispirazione dall'ottimizzazione del secondo ordine. Affronta il difficile problema inverso associato alla TC a viste sparse, che minimizza l'esposizione alle radiazioni acquisendo meno viste di proiezione, ma può portare a significativi artefatti a strisce. Le attuali tecniche di ricostruzione profonda, che dipendono da aggiornamenti del primo ordine o da estese reti di regolarizzazione, possono avere difficoltà in scenari mal condizionati. CG-GLORE impiega un metodo del gradiente coniugato (CG) per risolvere un sistema lineare utilizzando un surrogato Hessiano strutturato, preservando la curvatura basata sulla fisica del termine di fedeltà ai dati mentre approssima il termine di regolarizzazione appreso con un'identità. Il framework presenta una Rete di Regolarizzazione Globale-Locale per rappresentare i priori dell'immagine. Questa ricerca, condotta da un team di autori, è stata presentata come una sottomissione incrociata, con l'obiettivo di migliorare la qualità della ricostruzione nella TC a viste sparse e potenzialmente migliorare l'imaging medico consentendo scansioni a dose più bassa senza sacrificare la fedeltà dell'immagine.