[論文レビュー] Multi-Scale Wavelet Domain Residual Learning for Limited-Angle CT Reconstruction

Jawook Gu, Jong Chul Ye|arXiv (Cornell University)|Jan 1, 2017

Medical Imaging Techniques and Applications被引用数 8

ひとこと要約

本稿では、限界角度のプロジェクションから高品質なCT画像を再構成するためのマルチスケールウェーブレットドメイン残差学習ネットワークを提案する。ウェーブレットドメインにおける方向性およびグローバルに分布するアーチファクトを活用することで、ストリークアーチファクトやシェーディングアーチファクトを効果的に抑制しながらエッジや構造的詳細を保持し、従来の反復的手法よりも顕著に画像品質を向上させる。

ABSTRACT

Limited-angle computed tomography (CT) is often used in clinical applications such as C-arm CT for interventional imaging. However, CT images from limited angles suffers from heavy artifacts due to incomplete projection data. Existing iterative methods require extensive calculations but can not deliver satisfactory results. Based on the observation that the artifacts from limited angles have some directional property and are globally distributed, we propose a novel multi-scale wavelet domain residual learning architecture, which compensates for the artifacts. Experiments have shown that the proposed method effectively eliminates artifacts, thereby preserving edge and global structures of the image.

研究の動機と目的

• 不完全なプロジェクションデータによる限界角度CTにおける深刻なアーチファクトの課題に対処すること。
• 計算負荷が高く、満足のいかない結果をもたらす既存の反復的再構成手法の限界を克服すること。
• ウェーブレットドメインにおけるアーチファクトの方向性およびグローバル分布特性を活用して、より効果的なアーチファクト補償戦略を設計すること。
• ウェーブレットドメインで動作するディープラーニングアーキテクチャを構築し、画像再構成品質および構造的保持を向上させること。

提案手法

• 本手法は、マルチスケールウェーブレット変換を用いて入力プロジェクションデータをウェーブレットドメインに変換し、方向性に敏感なサブバンドに画像を分解する。
• ウェーブレットドメインに残差学習アーキテクチャを適用し、グローバルに分布し、方向的に構造化されたアーチファクトをモデル化・抑制する。
• ネットワークは、ウェーブレット変換された限界角度CT画像と真値画像との間の残差を学習するためにエンドツーエンドで訓練される。
• ウェーブレットサブバンド across でマルチスケール特徴を統合し、異なる空間周波数におけるアーチファクトの表現を強化する。
• ノイズ除去された残差出力の逆ウェーブレット変換により再構成画像が得られる。
• ウェーブレットの構造的感受性とディープ残差学習を組み合わせることで、アーチファクト抑制およびエッジ保持の両面で性能向上を実現する。

実験結果

リサーチクエスチョン

• RQ1 ウェーブレットドメイン表現は、限界角度CTにおけるアーチファクトの方向性およびグローバルに分布する性質を効果的にモデル化できるか？
• RQ2 ウェーブレットドメインにおけるマルチスケール残差学習は、従来の画像ドメイン学習と比較して、アーチファクト抑制においてどのように異なるか？
• RQ3 提案手法は、ストリークアーチファクトやシェーディングアーチファクトを低減しつつ、微細なエッジおよびグローバルな画像構造をどの程度保持できるか？
• RQ4 ウェーブレットベースの残差学習アプローチは、計算コストを低減しつつ、従来の反復的手法よりも優れた再構成品質を達成できるか？

主な発見

• 提案手法は、限界角度CT再構成においてストリークアーチファクトおよびシェーディングアーチファクトを顕著に低減する。
• ウェーブレットドメインにおける残差学習は、従来手法と比較して微細なエッジおよびグローバルな画像構造の保持をより効果的に行う。
• 計算負荷が高く、効果が限定的な既存の反復的再構成技術と比較して、提案手法は優れた画像品質を達成する。
• マルチスケールウェーブレット表現により、異なる空間周波数におけるアーチファクト特性のより良いモデル化が可能になる。
• ウェーブレットドメインにおけるネットワークの残差学習は、より安定的かつ正確なアーチファクト補償をもたらす。
• 結果から、限界角度CTにおけるアーチファクト補償は、画像ドメインよりもウェーブレットドメインで行う方がより効果的であることが示された。