DPER: Diffusion Prior Driven Neural Representation for Limited Angle and Sparse View CT Reconstruction

有限角度和稀疏采样计算机断层扫描（LACT和SVCT）对于扩展X射线CT应用至关重要。然而，由于数据采集不完整，它们面临着各种各样的伪影重建问题。新兴的隐式神经表示（INR）技术，如NeRF、NeAT和NeRP，已经在欠定CT成像重建任务中显示出了潜力。然而，INR架构的无监督性质对解决空间的限制较大，特别是对于由LACT和超级SVCT提出的高度欠定的重建任务。在本研究中，我们介绍了扩散先验驱动的神经表示（DPER），这是一种先进的无监督框架，旨在解决极度欠定的CT重建逆问题。DPER采用半二次分裂（HQS）算法将逆问题分解为数据保真度和分布先验子问题。这两个子问题分别由INR重建方案和预训练的基于分数的扩散模型解决。该组合最初保留了INR的隐式图像局部一致性先验。此外，它通过生成扩散模型有效地增加了逆问题解决空间的可行性，从而提高了解决方案的稳定性和精度。我们进行了全面的实验，评估了DPER在两个公共数据集（AAPM和LIDC）上对LACT和超级SVCT重建的性能。结果表明，我们的方法在领域内数据集上优于现有的重建方法，在领域外数据集上实现了显著的性能提升。

本文旨在解决限角和稀疏视图计算机断层扫描（LACT和SVCT）中因数据采集不完整而导致的重建图像中出现的多种伪影问题，提出了Diffusion Prior Driven Neural Representation (DPER)框架。

DPER框架采用Half Quadratic Splitting (HQS)算法将逆问题分解为数据保真度和分布先验子问题。INR重建方案和预训练的基于分数的扩散模型分别解决这两个子问题。这种组合通过INR最初保留了隐含图像局部一致性先验，并通过生成扩散模型有效地增加了逆问题解决方案的可行性，从而提高了解决方案的稳定性和精度。

本文在两个公共数据集（AAPM和LIDC）上对DPER在LACT和超级SVCT重建中的性能进行了全面的实验评估。结果表明，我们的方法在领域内数据集上优于现有的重建方法，并在领域外数据集上取得了显著的性能提升。

相关研究包括NeRF、NeAT和NeRP等新型隐式神经表示方法，以及其他LACT和SVCT重建方法，如基于深度学习的方法和基于模型的方法。