Sinogram smoothing and interpolation via alternating projections onto the slope and curvature constraints
Notice bibliographique
Résumé
Reducing the radiation dose in computed tomography (CT) requires reducing the number or the energy of the photons that pass through the patient's body. An image reconstructed from such noisy or undersampled measurements will contain much noise and artifacts that can significantly reduce the diagnostic value of the image. Effective sinogram denoising or interpolation can reduce these noise and artifacts. In this paper, we present a novel approach to sinogram smoothing and interpolation. The proposed method iteratively estimates the local slope and curvature of the sinogam and forces the sinogram to follow the estimated slope and curvature. This is performed by projection onto the set of constraints that define the slope and the curvature. The constraints on the slope and curvature correspond to very simple convex sets. Projection onto these sets have simple analytical solutions. Moreover, these operations are highly parallelizable because the equations defining the slope and curvature constraints for all the points in a sinogram can be summarized as five convex sets, regardless of the length of the sinogram. We apply the proposed method on simulated and real data and examine its effect on the quality of the reconstructed image. Our results show that the proposed method is highly effective and can lead to a substantial improvement in the quality of the images reconstructed from noisy sinogram measurements. A comparison with the K-SVD denoising algorithm shows that the proposed algorithm achieves better results. We suggest that the proposed method can be a useful tool for low-dose CT.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».