[論文レビュー] Convergent Data-driven Regularizations for CT Reconstruction

Samira Kabri, Alexander Auras+5 more|arXiv (Cornell University)|Dec 14, 2022

Medical Imaging Techniques and Applications被引用数 3

ひとこと要約

本稿では、訓練データから最適な特異値フィルタ（SVDベース）およびフーリエ領域フィルタ（FFTベース）を学習することで、画像診断用X線CT再構成におけるデータ駆動型線形正則化手法を提案する。両手法が適切な条件下で収束することを証明し、学習されたフィルタが訓練データよりも滑らかでより正確な再構成を達成することを示している。数値的検証により、古典的手法に比べて特に低ノイズ条件下で優れた性能を発揮することが明らかになった。

ABSTRACT

The reconstruction of images from their corresponding noisy Radon transform is a typical example of an ill-posed linear inverse problem as arising in the application of computerized tomography (CT). As the (naive) solution does not depend on the measured data continuously, regularization is needed to re-establish a continuous dependence. In this work, we investigate simple, but yet still provably convergent approaches to learning linear regularization methods from data. More specifically, we analyze two approaches: One generic linear regularization that learns how to manipulate the singular values of the linear operator in an extension of our previous work, and one tailored approach in the Fourier domain that is specific to CT-reconstruction. We prove that such approaches become convergent regularization methods as well as the fact that the reconstructions they provide are typically much smoother than the training data they were trained on. Finally, we compare the spectral as well as the Fourier-based approaches for CT-reconstruction numerically, discuss their advantages and disadvantages and investigate the effect of discretization errors at different resolutions.

研究の動機と目的

• 不適切に定式化されたCT再構成問題に対して、証明可能に収束するデータ駆動型線形正則化手法を開発すること。
• 学習されたスペクトル領域およびフーリエ領域フィルタが、ノイズのあるラドンデータからの再構成を安定化させる方法を調査すること。
• さまざまな離散化レベルにおける、学習された正則化子の収束特性および過剰な滑らかさの影響を分析すること。
• 精度、滑らかさ、ノイズおよび離散化誤差に対する耐性の観点から、SVDベースとFFTベースの正則化の性能を比較すること。

提案手法

• 訓練データを用いて、ラドン作用素の特異値 σn に対する最適な正則化関数 gδ(σn) を学習し、ノイズ δ → 0 のときの収束を保証する。
• コンパクト線形作用素 A の特異値展開を用いて、最適なスペクトル正則化関数 gδ(σ) の閉形式表現を導出する。
• フーリエ領域でも同様の学習フレームワークを適用し、フィルタドバックプロジェクション（FBP）法の最適なフィルタ ρδ(r) を学習する。
• 高速フーリエ変換（FFT）を用いて、ラドン変換の高精度な離散化を実現し、周波数領域でのフィルタ計算を効率的に行う。
• 合成データおよび実CTデータ（LoDoPaB-CT）を用いた数値実験により、ノイズレベルや解像度の変化に伴う性能を評価する。
• 複数の角度および空間サンプリングレートを用いて、結果を比較することで離散化誤差を分析する。

実験結果

リサーチクエスチョン

• RQ1 有限のデータから学習されたデータ駆動型線形正則化手法も、ノイズレベル δ → 0 のとき、収束性を保証できるか？
• RQ2 学習されたスペクトル領域およびフーリエ領域フィルタは、再構成の精度と滑らかさにおいてどのように比較されるか？
• RQ3 離散化解像度が、学習された正則化子の性能および収束性に与える影響は何か？
• RQ4 なぜFFTベースのフィルタは、特に低ノイズ条件下で理論的連続解から著しく逸脱するのか？
• RQ5 学習された正則化子は、合成楕円と実患者CTスキャンといった異なるデータ分布間でどれほど一般化できるか？

主な発見

• 特異値の操作に基づく学習されたスペクトル正則化手法は、標準的な仮定の下で証明可能に収束し、δ → 0 のとき収束が保証される。
• FBP用の学習されたフーリエ領域フィルタは連続極限において収束することが示されたが、離散化誤差により性能が著しく低下し、特に低ノイズ条件下で顕著である。
• 学習されたフィルタを用いた再構成は、訓練データよりも著しく滑らかであるため、正則化による固有の過剰な滑らかさの影響が生じていることが示された。
• SVDベースの手法は、特に低ノイズレベル（δ = 0.005）において、離散化アーチファクトが少ないため、FFTベースの手法よりも精度が優れている。
• 正則化子がテストデータの分布に一致するデータで学習された場合、データセット間での一般化性能が向上し、LoDoPaB-CTに対しては類似データで学習した場合に顕著な性能向上が得られた。
• 数値的結果から、より高い空間的および角度的解像度における最適なフィルタは安定的かつ滑らかな形状に収束することが確認され、サンプリングの増加に対しても頑健であることが示唆された。