Multidimensional training of iterative image reconstruction algorithm

• Autorzy: Chlewicki W. , Brykalski A.

Warianty tytułu

PL

Wielowymiarowy trening iteracyjnego algorytmu rekonstrukcji obrazu

• Języki publikacji: EN

Abstrakty

EN

Iteractive image reconstruction methods are currently a matter of extensive research. These methods have usually parameters which have to be optimized. For instance, choice of appropriate values of such parameters in each iteration has a great effect on the performance of many iteractive image reconstruction algorithms. The search for the optimal coefficients is usually done in "step-by-step" manner. Alternatively, multidimensional optimization of such coefficients was proposed in this paper. The trained algorithm was Row Action Maximum Likelihod Expectation Maximization (RAMLA). Controlled Random Search was employed during the training procedure. The experiments were carried out using mathematically defined phantoms and their projections. Simulation study using two "numerical observers" (training measure and evaluation measure) showed that higher reconstruction accuracy can be obtained when multidimensional optimization is applied. The initial results indicate the poptential of using multidimensional optimization in training of the iterative image reconstruction algorithms.

PL

Iteracyjne metody rekonstrukcji obrazu są obecnie przedmiotem intensywnych badań. Metody te mają przeważnie parametry, ktore należy zoptymalizować. Dla przykładu, dobór odpowiednich wartości współczynnika relaksacji w każdej iteracji ma znaczący wpływ na właściwości wielu algorytmów rekonstrukcji obrazów. Poszukiwanie optymalnych współczynników jest przeważnie wykonywane "krok po kroku". Alternatywnie, w artykule przedstawiona została propozycja użycia wielowymiarowej oprtmalizacji współczynników. Trenowanym algorytmem był tzw. Row Action Maximum Likelihood Expectation Maximization (RAMLA). Podczas procedury treningu użyte zostało kontrolowane przeszukiwanie losowe. Eksperymenty zostały przeprowadzone z użyciem matematycznie zdefiniowanych fantomów oraz ich projekcji. Badania symulacyjne z użyciem dwóch "numerycznych obserwatorów" (miara treningowa oraz miara oceniająca) pokazały, że wyższa dokładność rekonstrukcji może być uzyskana przy stosowaniu optymalizacji wielowymiarowej. Wstępne wyniki wskazują potencjał, który daje optymalizacja wielowymiarowa przy treningu iterakcyjnych metod rekonstrukcji obrazów.

Słowa kluczowe

EN

multidimensional training; iteractive image; algorithm reconstruction

PL

trening wielowymiarowy; algorytm iteracyjny; rekonstrukcja obrazu

• Wydawca: Wydawnictwo PAK
• Czasopismo: Pomiary Automatyka Kontrola
• Rocznik: 2005
• Tom: R. 51, nr 10
• Strony: 24--26
• Opis fizyczny: Bibliogr. 10 poz., rys., tab., wzory

Twórcy

autor

Chlewicki W.

• Institute of Electronics Telecommunications and Computer Science, Faculty of Electrical Engineering, Szczecin University of Technology

autor

Brykalski A.

• Institute of Electronics Telecommunications and Computer Science, Faculty of Electrical Engineering, Szczecin University of Technology

Bibliografia

• [1] Herman G. T. and Meyer L. B.: Algebraic reconstruction techniques can be made computationally efficient. IEEE Transactions on Medical Imaging, 12(3):600-609, 1993
• [2] Browne J. and De Pierro A. R.: A row action alternative to the EM algorithm for maximizing likelihood in emission tomography, IEEE Transactions on Medical Imaging. 15(5):687-699, 1996.
• [3] Mueller K., Yagel R. and Wheller J. J.: Fast implementations of algebraic methods for three-dimensional reconstruction from conebeam data, IEEE Transactions on Medical Imaging 18(6):538-548, 1999
• [4] Mueller K., Yagel R. and Cornhill F: The Weighted Distance Scheme: A globally optimizing projection ordering method for ART, IEEE Transactions on Medical Imaging l6(2):223-230, 1997.
• [5] Toft P. The Radon transform - theory and implementation. PhD thesis, Technical University of Denmark, Lyngby, Denmark, 1996.
• [6] Price W. L. Global Optimization by Controlled Random Search. Jour. of Optimization Theory and Applications, 40(3):333-348, 1983.
• [7] Donaire J. G. and Garcia I.: On Using Global Optimization to Obtain Better Performance of a MART Algorithm in 3D X-ray Tomography, Journal of Imaging Science and Technology 46(3):247-256, 2002.
• [8] Chlewicki W.: Enhancement and optimization of Bayesian image reconstruction algorithms with radially symmetric basis functions. PhD dissertation, Szczecin University of Technology, 2005.
• [9] Chlewicki W. and Brykalski A.: Toward higher spot detectability of Bayesian image reconstruction algorithms using the L-filter penalty. Pomiary Automatyka Kontrola, 02:45-47, 2005.
• [10] Furuie S. S., Herman G. T., Narayan T. K., Kinahan P. E., Karp J. S., Lewitt R. M., Matej S.: A methodology for testing for statistically significant differences between fully 3D PET reconstruction algorithms. Physics in Medicine and Biology, 39:341-354, 1994.