要約
本研究では、コンピュータ断層撮影（CT）における高度に不適切な逆問題を解決するため、学習ベースとモデルベースアプローチの利点を統合した強力なフレームワーク「IntraTomo」を提案する。IntraTomoは、反復的に適用される2つの核心モジュールから構成されている：新規のシンログラム予測モジュールと、幾何学的精度を向上させるモジュールである。最初のモジュールでは、未知の密度場が深層ニューラルネットワークによってパラメータ化された連続的かつ微分可能な関数として表現される。このネットワークは、不完全または劣化した入力シンログラムから自己教師付き学習によって学習される。シンログラム予測モジュールを経て推定された密度場は、第二のモジュールで局所的および非局所的な幾何学的事前知識を用いて一貫して精緻化される。これらの2つの核心モジュールにより、IntraTomoが、45度の限られた角度範囲における断層撮影、8ビュー未満のスパースビュー断層再構成、または解像度を8倍に向上させる超高解像度断層再構成など、複数の不適切な逆問題において既存手法を顕著に上回ることを示した。シミュレーションおよび実データを用いた実験結果から、本手法が従来にない高品質な再構成結果を達成できることを確認した。