Distributed Stochastic Optimization of a Neural Representation Network for Time-Space Tomography Reconstruction

使用X射线计算机断层扫描（CT）进行动态事件或变形物体的4D时空重建是一个极其不适定的反问题。现有的方法假定物体在数十或数百个X射线投影测量图像（连续有限角度CT扫描的重建）的持续时间内保持静止。然而，这对于许多原位实验来说是一个不现实的假设，会导致虚假的伪影和不准确的物体形态重建。为了解决这个问题，我们提出使用分布式隐式神经表示（DINR）网络进行4D时空重建，该网络使用一种新颖的分布式随机训练算法进行训练。我们的DINR网络通过迭代优化其网络参数来重建物体，使得测量的投影图像最匹配CT正演测量模型的输出。我们使用连续的时间和空间正演测量模型，该模型是一个关于DINR输出在一组稀疏采样的连续值物体坐标的函数。与现有的最先进的神经表示体系结构不同，这些体系结构通过密集的体素网格进行前向和反向传播，采样物体的整个时空坐标，我们只在每次迭代中通过DINR传播物体的一小部分坐标，从而使训练的内存和计算量降低一个数量级。DINR利用多个计算节点和GPU进行分布式计算，即使对于极大的CT数据大小也能产生高保真的4D时空重建。我们使用模拟的平行光束和实验锥束X射线CT数据集来展示我们方法的卓越性能。

本文试图解决使用X射线计算机断层扫描（CT）进行4D时空重构的问题，该问题在存在动态事件或变形对象时是一种极其不适定的反问题。

本文提出了一种分布式隐式神经表示（DINR）网络，该网络使用新颖的分布式随机训练算法进行训练，通过迭代优化网络参数来重构对象，以使测量的投影图像最符合CT正演测量模型的输出。

本文的亮点包括使用分布式隐式神经表示网络来解决4D时空重构问题、使用分布式计算来处理大规模CT数据、在模型训练中使用了连续时间和空间正演测量模型等。本文使用模拟的平行光束和实验锥形束X射线CT数据集来验证了该方法的优越性。

最近的相关研究包括使用卷积神经网络进行CT重构的研究，例如“DeepCT: Tomographic Reconstruction of 3D Cone-Beam CT Scans Using a Deep Learning Approach”和“Low-Dose CT with a Residual Encoder-Decoder Convolutional Neural Network”等。