[論文レビュー] Near-Exact Recovery for Tomographic Inverse Problems via Deep Learning

Martin Genzel, Ingo Gühring+2 more|arXiv (Cornell University)|Jun 14, 2022

Medical Imaging Techniques and Applications被引用数 30

ひとこと要約

論文は、データ駆動型前方モデルの較正を伴う反復的なエンドツーエンドニューラルネットワーク（ItNet）が、ノイズのないデータにおけるスパースビューCTのほぼ厳密な回復を達成できることを示し、強力なベースラインを上回り、TV最小化の精度と同等であることを示す。

ABSTRACT

This work is concerned with the following fundamental question in scientific machine learning: Can deep-learning-based methods solve noise-free inverse problems to near-perfect accuracy? Positive evidence is provided for the first time, focusing on a prototypical computed tomography (CT) setup. We demonstrate that an iterative end-to-end network scheme enables reconstructions close to numerical precision, comparable to classical compressed sensing strategies. Our results build on our winning submission to the recent AAPM DL-Sparse-View CT Challenge. Its goal was to identify the state-of-the-art in solving the sparse-view CT inverse problem with data-driven techniques. A specific difficulty of the challenge setup was that the precise forward model remained unknown to the participants. Therefore, a key feature of our approach was to initially estimate the unknown fanbeam geometry in a data-driven calibration step. Apart from an in-depth analysis of our methodology, we also demonstrate its state-of-the-art performance on the open-access real-world dataset LoDoPaB CT.

研究の動機と目的

• 深層学習ソルバーはノイズのないCTの逆問題でほぼ完璧な回復を達成できるかを検討する。
• 前方演算子推定を含むデータ駆動パイプライン、エンドツーエンドの事前学習済みUNetバックボーン、および反復的データ一貫性を開発する。
• チャレンジ系のベースラインと実データに対して評価し、データ一貫性と前方モデルの影響を分析する。
• 合成データを超える一般化可能性について設計上の洞察を提供する。

提案手法

• ステップ1 – 4000組のシノグラム-画像ペアを用いた勾配降下様の最適化による座標降下法で未知のファンビーム前方演算子を推定するデータ駆動ジオメトリ識別。
• ステップ2 – スパースビューFBP再構成を経験的リスク最小化で後処理する計算的バックボーンとしてUNetを事前学習。
• ステップ3 – ItNetを構築し、UNetベースの強化とFBPを用いたデータ一貫性ステップを交互に適用して前方モデルの一貫性を保つ反復スキーム。
• 少数の反復数（K）と重み共有実験、およびステップ2からの事前初期化を用いて性能を向上。
• データ一貫性と前方モデル誤差の分析から、学習された前方演算子にどれだけ依存しているかを評価する。

実験結果

リサーチクエスチョン

• RQ1 ノイズのないトモグラフィック逆問題でエンドツーエンド網がほぼ完璧な精度を達成できるか。
• RQ2 明示的に学習された前方モデルを組み込むことは高精度再構成の達成にどのような役割を果たすか。
• RQ3 前処理学習と反復結合（ItNet）はスパースビューCTにおいて単純なポスト処理や他の学習済みプライマル-デュアルアプローチよりも優れているか。
• RQ4 学習済み前方演算子はデータ分布（合成データ vs LoDoPaB CTデータセット）全体でデータ一貫性と全体的な再構成品質にどう影響するか。

主な発見

Method	RMSE
Challenge FBP	5.72e-3
UNet∘FBP	3.40e-3
ItNet_4	3.50e-4
ItNet-post	1.64e-5
ItNet-post ens.	1.05e-5
Tiramisu	6.42e-6
LPD	2.24e-4
LPD+Tiramisu	1.24e-4

• ItNet-postアンサンブルはAAPMテストセットでほぼ厳密な回復を達成し、最終課題評価でRMSEが6.37e-6に達する。
• ItNetのバリアントはチャレンジデータ上で、ポスト処理済みUNet∘FBP、Tiramisu、学習済みプライマル-デュアル（LPD）などのベースラインを上回る。
• データ一貫性の分析では、残存誤差の大半は再構成ネットワークではなく前方モデル推定誤差に起因することが示され、より正確な前方演算子による改善の余地が示唆される。
• UNetブロックの事前学習とItNetをステップ2の重みで初期化することは、収束速度と最終精度を大きく向上させる。
• ほぼ厳密な回復にはごく少数の前方モデル評価で足り、K=5付近の非共有重みによる最適なスイートスポットが強力な性能を発揮する。