[論文レビュー] Robust X-ray Sparse-view Phase Tomography via Hierarchical Synthesis Convolutional Neural Networks

Ziling Wu, Abdulaziz Alorf+3 more|arXiv (Cornell University)|Jan 30, 2019

Advanced X-ray Imaging Techniques参考文献 42被引用数 10

ひとこと要約

本論文は、疎集合投影におけるX線スパースビュー位相トモグラフィーのための階層的合成畳み込みニューラルネットワーク（HSCNN）を提案する。訓練中にサンプリングバイアスの影響を受ける画像バンドを分離し、階層的に再構成することで、過学習とネットワークの複雑さを低減する。この手法は、計算コストを著しく低減しつつ、シミュレート済みおよび実験的データの両方で、スパースビューおよび位相コントラストイメージングの状況において、同等または優れた再構成品質を達成する。

ABSTRACT

Convolutional Neural Networks (CNN) based image reconstruction methods have been intensely used for X-ray computed tomography (CT) reconstruction applications. Despite great success, good performance of this data-based approach critically relies on a representative big training data set and a dense convoluted deep network. The indiscriminating convolution connections over all dense layers could be prone to over-fitting, where sampling biases are wrongly integrated as features for the reconstruction. In this paper, we report a robust hierarchical synthesis reconstruction approach, where training data is pre-processed to separate the information on the domains where sampling biases are suspected. These split bands are then trained separately and combined successively through a hierarchical synthesis network. We apply the hierarchical synthesis reconstruction for two important and classical tomography reconstruction scenarios: the spares-view reconstruction and the phase reconstruction. Our simulated and experimental results show that comparable or improved performances are achieved with a dramatic reduction of network complexity and computational cost. This method can be generalized to a wide range of applications including material characterization, in-vivo monitoring and dynamic 4D imaging.

研究の動機と目的

• 大規模なトレーニングデータセットにおけるサンプリングバイアスが引き起こす深層CNNベースのX線CT再構成における過学習を是正すること。
• 画像品質を損なわずに、スパースビューおよび位相コントラストCT再構成におけるネットワークの複雑さと計算コストを低減すること。
• 低線量および動的4Dイメージング応用に適した、耐性性があり汎用性の高いフレームワークを開発すること。
• サンプリングバイアスが疑われる領域を別々に処理し、階層的合成の前に分離して処理すること。
• 軽量で階層的なネットワークアーキテクチャを用いて、限られた角度またはスパースビューのプロジェクションから高精度な再構成を可能にすること。

提案手法

• サンプリングバイアスを含む可能性のある画像バンドを特定するためにトレーニングデータを事前処理する。
• 各事前処理済みバンドに対して別個のサブネットワークを訓練し、ドメイン固有の特徴を独立して学習する。
• 個々のサブネットワークの出力を段階的に組み合わせるための階層的合成ネットワークを用いる。
• HSCNNフレームワークをスパースビュー再構成および位相コントラストトモグラフィーの両タスクに適用する。
• 階層的構造を活用してパラメータ共有を低減し、バイアスのあるデータからの過学習を緩和する。
• 構造的忠実度を保持するために、微分可能で一貫した合成プロセスによりネットワークをエンドツーエンド最適化する。

実験結果

リサーチクエスチョン

• RQ1 サンプリングバイアスが疑われる画像バンドの階層的処理が、スパースビューX線CT再構成における耐性性を向上させるか？
• RQ2 バイアスのある画像バンドを別々にトレーニングすることで、深層CNNベースの再構成における過学習が低減するか？
• RQ3 階層的合成ネットワークは、顕著に低減されたモデル複雑性で同等または優れた性能を達成できるか？
• RQ4 HSCNN手法は、限られたプロジェクションデータを有する位相コントラストトモグラフィーにおいて、どのように性能を発揮するか？
• RQ5 提案手法は、動的4Dイメージングおよび物質同定にどの程度一般化可能か？

主な発見

• HSCNN手法は、シミュレート済みおよび実験的スパースビューCTデータの両方で、標準CNNと同等または優れた再構成品質を達成する。
• 階層的バンド別トレーニング戦略のおかげで、ネットワークの複雑さと計算コストが顕著に低減される。
• サンプリングバイアスのあるバンドを分離して別々にトレーニングすることで、過学習が効果的に緩和される。
• 位相コントラスト再構成の結果、ベースライン手法と比較して構造の保存性が向上し、アーチファクトが低減されている。
• 耐性性と効率性のおかげで、フレームワークは、生体内モニタリングや動的4Dイメージングを含む多様な応用にうまく一般化できる。
• アブレーションスタディの結果、エンドツーエンドの完全結合ネットワークと比較して、階層的合成がより優れた特徴学習と一般化をもたらすことが確認された。