[阅读笔记] DRONE: Dual-domain Residual-based Optimization NEtwork for Sparse-view CT Reconstruction

这是去年发表在TMI上的一篇CT重建的研究工作内容，个人认为这篇文章背后的工作点在于数据一致性层的使用，关于保真项在CT重建上的使用，从2021年开始比较多见，推断是真的有效，而不是paperly。文中提到压缩感知的应用，但由于我能力水平极其有限，没看出来该项工作有严格意义上关于压缩感知的使用。

首先来看前人工作中的痛点和本文拟解决问题：

        基于深度学习的重建方法分为三类：图像到图像、数据到图像和一个或两个域中的迭代映射。对于图像到图像重建方法，不需要直接访问原始测量值，这意味着图像重建不直接依赖于制造协议。经过训练的神经网络无需额外输入即可将差图像映射到好图像。示例性网络包括卷积神经网络（CNN）、深卷积神经网络（FBPConvNet）、基于小波变换的U-net、残差编码器-解码器CNN（RED-CNN）、denseNet反卷积网络（DD-net）等。这些方法具有快速成像和易于部署的优点。然而，他们从损坏的输入中预测输出，而不检查原始测量与基于网络输出的测量之间的数据一致性。另一方面，数据到图像重建方法将测量数据直接映射到重建图像。例如，AUTOMAP利用完全卷积网络架构将MRI测量值传输到图像。然而，由于计算量大，在高维测量的情况下很难实现。iRadonMap方法被提出用于将CT测量值转换为图像。然而，这些深层网络容易受到各种不稳定性扰动的影响。与这些相对简单的前馈网络相比，受迭代重建机制的启发，深度重建网络可以通过展开迭代算法来设计，例如，基于专家评估的学习重建网络（LEARN）、流形和图形综合卷积网络、交替方向乘子法（ADMM）网络等，它们改善了各种子采样因子的图像质量。由于这种展开方法总是需要数据来校正中间结果，因此测量变换是必要的。由于训练后的网络作为非标准正则化子，它还与迭代重建相结合，称为深图像域迭代重建。有几个例子，如原始-对偶混合梯度（PDHG）算法、momentum-Net和深层BCD-net。虽然这些网络在某些情况下取得了很好的性能，但由于其巨大的计算开销，很难在实践中实现。此外，学习到的网络通常在图像上工作，与传统迭代算法一样，迭代可能会影响性能。因此，在超稀疏视图的情况下，这些现有网络架构无法提供良好的重建质量（例如，小于100个视图，60个视图）。

        虽然目前为止在深度学习上做了很多努力，但良好的稀疏视图CT图像质量与100多个视图相关。显然，在投影视图数量远少于100的情况下提供类似的成像性能是一个当代挑战。本文主要展示在我们选定的应用程序中，深度学习如何将视图数减少到60个，而不会显著降低图像质量。（文章这么说我真的会谢，仅用60个视图还能显著保持图像质量。试问对应领域的研究学者遇到这样一句话，谁看谁不迷糊呢？）

        为了突破上述技术障碍，我们采用混合策略设计了一个用于稀疏视图CT重建的集成网络。众所周知，解析重建速度快，但对数据质量敏感。为了从受损数据中恢复真实特征，引入基础信号的先验信息进行迭代重建。由于经典先验甚至理想稀疏性和低秩的限制，迭代重建在具有挑战性的情况下不能令人满意。最近，基于学习的深度先验重建取得了巨大的成功，但仍然无法进行超稀疏视图CT重建。因此，我们有动机