[論文レビュー] End-to-End Differentiable Photon Counting CT

Sen Wang, Yirong Yang+3 more|arXiv (Cornell University)|Feb 12, 2026

Advanced X-ray and CT Imaging被引用数 0

ひとこと要約

要約: Implicit Function Theorem を用いて材料分解を微分可能にし、エンドツーエンドの微分可能なフォトンカウントCTフレームワークを導入することで、クロスドメイン学習とPCCT imagingタスクの自動最適化を可能にする。

ABSTRACT

Quantitative imaging is an important feature of spectral X-ray and CT systems, especially photon-counting CT (PCCT) imaging systems, which is achieved through material decomposition (MD) using spectral measurements. In this work, we present a novel framework that makes the PCCT imaging chain end-to-end differentiable (differentiable PCCT), with which we can leverage quantitative information in the image domain to enable cross-domain learning and optimization for upstream models. Specifically, the material decomposition from maximum-likelihood estimation (MLE) was made differentiable based on the Implicit Function Theorem and inserted as a layer into the imaging chain for end-to-end optimization. This framework allows for an automatic and adaptive solution of a wide range of imaging tasks, ultimately achieving quantitative imaging through computation rather than manual intervention. The end-to-end training mechanism effectively avoids the need for direct-domain training or supervision from intermediate references as models are trained using quantitative images. We demonstrate its applicability in two representative tasks: correcting detector energy bin drift and training an object scatter correction network using cross-domain reference from quantitative material images.

研究の動機と目的

• PCCT imaging chain をエンドツーエンドで微分可能にして、定量的・クロスドメイン学習を可能にする。
• Implicit Function Theorem を用いて imaging pipeline に微分可能な材料分解ステップを組み込む。
• 直接ドメインの supervision を用いずに、 imaging タスクの自動・適応的ソリューションを実証する。

提案手法

• 最大似然材料分解を、Implicit Function Theorem によって導出される微分可能なレイヤに置換する。
• 微分可能な分解をCT imaging chain に組み込み、エンドツーエンド最適化を可能にする。
• 中間の参照監督なしで定量的画像データを用いてモデルを訓練する。
• 検出器エネルギー Bin ドリフト補正などのタスクにフレームワークを適用する。
• クロスドメイン定量材料画像を用いて物体散乱補正ネットワークの訓練に適用する。

実験結果

リサーチクエスチョン

• RQ1 エンドツーエンドで微分可能なPCCTは定量的 imaging タスクの品質や頑健性を向上させ得るか。
• RQ2 微分可能な材料分解は下流タスクのための効果的なクロスドメイン学習を可能にするか。
• RQ3 フレームワークは中間監督なしで検出器ドリフト補正や散乱補正のような imaging タスクを適応的に解決できるか。

主な発見

• 材料分解レイヤを介してPCCT imaging chain のエンドツーエンド微分可能性を実証。
• 検出器エネルギーBinドリフト補正への適用性を示す。
• クロスドメイン定量材料画像を用いた物体散乱補正ネットワークの訓練を実証。