菲利佩·乌里韦;巴兹利（Johnathan M.Bardsley）。;董义秋;汉森，Per Christian;Nicolai A.B.Riis。 用于不确定视角下保边缘层析重建的混合吉布斯采样器。 （英语） Zbl 1502.92005年 SIAM/ASA J.不确定性。数量。 10, 1293-1320 (2022). 摘要：在计算机断层扫描中，数据由X射线穿过物体的衰减测量值组成。目标是重建物体内部的线性衰减系数。对于X射线源的每个位置，以其相对于固定坐标系的角度为特征，测量一组数据，称为看法一个常见的假设是，这些视角是已知的，但在某些应用中，它们是不精确的。我们提出了一个框架来解决贝叶斯反问题，该问题联合估计视角和目标衰减系数的图像。我们还包括一些描述似然和先验的超参数。我们的方法基于吉布斯采样器，其中使用不同的采样方案模拟相关的条件密度，因此称为混合项。特别是，与重建相关的条件分布在图像像素中是非线性的，并且是非高斯和高维的。我们通过构造拉普拉斯近似来处理这个分布，拉普拉斯逼近表示每个吉布斯迭代的局部目标条件。这使得能够使用迭代重建算法以有效的方式对衰减系数进行采样。数值结果表明，我们的算法能够联合识别图像和视角，同时提供两者的不确定性估计。我们用扇形光束配置的2D X射线计算机层析成像问题演示了我们的方法。 引用于三文件 MSC公司： 92 C55 生物医学成像和信号处理 2015年1月62日 贝叶斯推断 65兰特 积分方程反问题的数值方法 关键词：计算机断层扫描;贝叶斯反问题;吉布斯采样器;拉普拉斯近似;随机牛顿MCMC 软件：AIR工具;ASTRA公司 PDF格式BibTeX公司 XML格式引用 \textit{F.Uribe}等人，SIAM/ASA J.不确定性。数量。101293-1320（2022年；Zbl 1502.92005年） 全文： 内政部 arXiv公司 参考文献： [1] Agapiou，S.、Bardsley，J.M.、Papaspiliopoulos，O.和Stuart，A.M.，《层次逆问题吉布斯采样器分析》，SIAM/ASA J.不确定性。数量。，2（2014），第511-544页，doi:10.1137/130944229·Zbl 1308.62097号 [2] Andrieu，C.和Thoms，J.，自适应MCMC教程，统计计算。，18（2008），第343-373页。 [3] Bardsley，J.M.，拉普拉斯分布增量、拉普拉斯先验和保边正则化，J.Inverse Ill-Pose Probl。，20（2012），第271-285页·Zbl 1279.15014号 [4] Bardsley，J.M.，《反问题的计算不确定性量化》，SIAM，2019年·兹比尔1435.60001 [5] Basu，S.和Bresler，Y.，未知视角层析成像的可行性，IEEE Trans。图像处理。，9（2000），第1107-1122页·Zbl 0969.65114号 [6] 澳大利亚比约克。，最小二乘问题的数值方法，SIAM，1996，doi:10.137/1.9781611971484·Zbl 0847.65023号 [7] Burger，M.、Hauptmann，A.、Helin，T.、Hyvönen，N.和Puska，J.-P.，《X射线成像中的顺序优化投影》，预印本，https://arxiv.org/abs/2006.12579，2020年·Zbl 1467.62185号 [8] Calvetti，D.和Somersalo，E.，贝叶斯成像框架中的超模型，反问题，24（2008），034013·兹比尔1137.62062 [9] Chan，T.F.和Mulet，P.，关于全变分图像恢复中滞后扩散率不动点方法的收敛性，SIAM J.Numer。分析。，36（1999），第354-367页，doi:10.1137/S0036142997327075·Zbl 0923.65037号 [10] Dunlop，M.M.、Iglesias，M.A.和Stuart，A.M.，层次贝叶斯水平集反演，统计计算。，27（2017），第1555-1584页·兹比尔1384.62084 [11] Fisher，N.I.，《循环数据的统计分析》，剑桥大学出版社，1995年。 [12] Gamerman，D.和Lopes，H.F.，《马尔可夫链蒙特卡罗：贝叶斯推断的随机模拟》，第二版，Chapman和Hall/CRC，2006年·Zbl 1137.62011年 [13] Gelman，A.，层次模型中方差参数的先验分布，贝叶斯分析。，1（2006年），第515-533页·Zbl 1331.62139号 [14] Geman，S.和Geman，D.，《随机松弛、吉布斯分布和图像的贝叶斯恢复》，IEEE Trans。模式分析。机器。整数。，6（1984年），第721-741页·Zbl 0573.62030号 [15] Girolma，M.和Calderhead，B.，Riemann流形Langevin和Hamilton Monte Carlo方法，J.R.Stat.Soc.Ser。B统计方法。，73（2011），第123-214页·Zbl 1411.62071号 [16] Gravel，P.、Beaudoin，G.和De Guise，J.A.，医学图像中噪声建模方法，IEEE Trans。医学成像，23（2004），第1221-1232页。 [17] Haario，H.、Saksman，E.和Tamminen，J.，《自适应大都会算法》，伯努利，7（2001），第223-242页·Zbl 0989.65004号 [18] Hansen，P.C.，《离散逆问题：洞察力和算法》，SIAM，2010年，doi:10.1137/1.9780898718836·Zbl 1197.65054号 [19] Hansen，P.C.和Jörgensen，J.S.，AIR Tools II：代数迭代重建方法，改进的实现，Numer。《算法》，79（2018），第107-137页·Zbl 1397.65007号 [20] Hansen，P.C.、Jörgensen，J.S.和Lionheart，W.R.B.，《计算层析成像：算法、洞察力和恰到好处的理论》，SIAM，2021年，doi:10.1137/1.9781611976670·Zbl 1482.94006号 [21] Herman，G.T.，《计算机层析成像基础：投影图像重建》，第二版，施普林格出版社，2010年·Zbl 0538.92005号 [22] Higdon，D.，《从贝叶斯角度研究时空建模的初级读本》，收录于《时空系统的统计方法》，Finkenstädt，B.、Held，L.和Isham，V.编辑，Chapman&Hall/CRC，2007年，第217-279页·Zbl 1121.62081号 [23] Hosseini，B.，具有无限可分和重尾先验测度的适定贝叶斯反问题，SIAM/ASA J.不确定。数量。，5（2017），第1024-1060页，doi:10.1137/16M1096372·Zbl 1390.35417号 [24] Johnson，A.A.、Jones，G.L.和Neath，R.C.，《组件式马尔可夫链蒙特卡罗：混合和合成下的均匀和几何遍历性》，《统计科学》。，28（2013），第360-375页·Zbl 1331.60151号 [25] Kaipio，J.和Somersalo，E.，统计和计算逆问题，Springer，2005年·Zbl 1068.65022号 [26] Kolehmainen，V.、Siltanen，S.、Järvenpää，S.，Kaipio，J.P.、Koistinen，P.、Lassas，M.、Pirttilá，J.和Somersalo，E.，《医用x射线断层摄影术的统计反演：II》。牙科放射学应用，物理。医学生物学。，48（2003），第1465-1490页。 [27] Lamberg，L.和Ylinen，L.，未知视角的二维层析成像，逆问题。成像，1（2007），第623-642页·Zbl 1142.65103号 [28] Lassas，M.、Saksman，E.和Siltanen，S.，《离散变贝叶斯反演和贝索夫空间先验，反演概率》。《成像》，3（2009），第87-122页·Zbl 1191.62046号 [29] Lassas，M.和Siltanen，S.，可以使用总变异先验进行保边贝叶斯反演吗？，《反问题》，20（2004），第1537-1563页·Zbl 1062.62260号 [30] Mallick，S.P.、Agarwal，S.、Kriegman，D.J.、Belongie，S.J.、Carragher，B.和Potter，C.S.，断层重建的结构和视图估计：贝叶斯方法，载于IEEE计算机学会计算机视觉和模式识别会议，2006年第2卷，第2253-2260页。 [31] Markkanen，M.、Roininen，L.、Huttunen，J.M.J.和Lasanen，S.，边缘保持贝叶斯反演的柯西差分先验，J.反演病态概率。，27（2019年），第225-240页·兹伯利1417.49049 [32] Martin，J.、Wilcox，L.C.、Burstede，C.和Ghattas，O.，《大规模统计反演问题的随机牛顿MCMC方法及其在地震反演中的应用》，SIAM J.Sci。计算。，34（2012），第A1460-A1487页，doi:10.1137/10845598·Zbl 1250.65011号 [33] Müller，P.，《后验整合和吉布斯抽样的通用方法》，《技术报告91-09》，普渡大学统计系，1990年。 [34] Nemeth，C.和Fearnhead，P.，随机梯度马尔可夫链蒙特卡罗，J.Amer。《Stat.Assoc.》，第116页（2021年），第433-450页·Zbl 1457.62024号 [35] Niebler，S.、Schömer，E.、Tjaden，H.、Schwanecke，U.和Schulze，R.，《基于投影的运动影响牙锥束CT数据三维重建改进》，医学物理。，46（2019年），第4470-4480页。 [36] Orieux，F.，Féron，O.和Giovannelli，J.-F.。梯度扫描吉布斯采样器：反问题中高效的高维采样器应用。摘自：IEEE声学、语音和信号处理国际会议（ICASSP），2015年，第4085-4089页。 [37] Owen，A.B.，《蒙特卡罗理论、方法和示例》，statweb.stanford.edu/～Owen/mc/，2013年。 [38] Panaretos，V.M.，《关于投影角度不可观测的随机层析成像》，《统计年鉴》。，37（2009），第3272-3306页·Zbl 1193.60017号 [39] Qi，Y.和Minka，T.P.，基于Hessian的马尔可夫链蒙特卡罗算法，《第一届科德角蒙特卡罗方法研讨会》，2002年，第1-13页，https://www.microsoft.com/en-us/research/publication/hessian-based-markov-chain-monte-carlo-algorithms/。 [40] Radermacher，M.，《随机投影的三维重建：通过Radon变换的定向排列》，《超微显微镜》，53（1994），第121-136页。 [41] Riis，N.A.B.、Dong，Y.和Hansen，P.C.，《利用不确定性量化进行视角估计的计算机层析成像》，《反问题》，37（2020），065007·Zbl 1503.62009年 [42] Robert，C.P.和Casella，G.，《蒙特卡洛统计方法》，第二版，施普林格出版社，2004年·Zbl 1096.62003年 [43] Roberts，G.O.和Rosenthal，J.S.，《混合采样器的两个收敛特性》，Ann.Appl。概率。，8（1998），第397-407页·Zbl 0938.60055号 [44] Rosenthal，J.S.，《严格概率理论的第一眼》，第二版，《世界科学》，2006年·Zbl 1127.60002号 [45] Schillings，C.、Sprungk，B.和Wacker，P.，关于贝叶斯反问题基于拉普拉斯的蒙特卡罗方法的拉普拉斯近似收敛性和噪声级抑制，Numer。数学。，145（2020年），第915-971页·Zbl 1446.65098号 [46] Stuart，A.M.，《逆向问题：贝叶斯观点》，《数值学报》。，19（2010年），第451-559页·Zbl 1242.65142号 [47] Tierney，L.和Kadane，J.B.，《后力矩和边缘密度的精确近似》，J.Amer。Stat.Assoc.，81（1986），第82-86页·Zbl 0587.62067号 [48] van Aarle，W.、Palenstijn，W.J.、Cant，J.、Janssens，E.、Bleichrodt，F.、Dabravolski，A.、De Beenhouwer，J.，Batenburg，K.J.和Sijbers，J.《使用ASTRA工具箱的快速灵活X射线断层成像》，Opt。快报，24（2016），第25129-25147页。 [49] van Leeuwen，T.、Maretzke，S.和Batenburg，K.J.，三维层析重建的自动对准，反演问题，34（2018），024004·Zbl 1453.65466号 [50] Vogel，C.R.，《反问题的计算方法》，SIAM，2002年，doi:10.1137/1.9780898717570·兹比尔1008.65103 [51] Vogel，C.R.和Oman，M.E.，总变差去噪的迭代方法，SIAM J.Sci。计算。，17（1996），第227-238页，doi:10.1137/0917016·Zbl 0847.65083号 [52] Yang，C.，Ng，E.G.和Penczek，P.A.，使用准Newton算法进行统一三维结构和投影方向细化，J.Struct。生物学，149（2005），第53-64页。 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。