[論文レビュー] Unsupervised Polychromatic Neural Representation for CT Metal Artifact Reduction

Qing Wu, Lixuan Chen+5 more|arXiv (Cornell University)|Jun 27, 2023

Advanced X-ray and CT Imaging被引用数 8

ひとこと要約

Polynerは、金属影響を非線形にモデル化し、微分可能な多色前方モデルを使用して金属影響を再現する無監督の多波長隐式ニューラル表現であり、外部訓練データを用いずに競合的または優れたMAR性能を発揮する。特に未知ドメインで高い性能を示す。

ABSTRACT

Emerging neural reconstruction techniques based on tomography (e.g., NeRF, NeAT, and NeRP) have started showing unique capabilities in medical imaging. In this work, we present a novel Polychromatic neural representation (Polyner) to tackle the challenging problem of CT imaging when metallic implants exist within the human body. CT metal artifacts arise from the drastic variation of metal's attenuation coefficients at various energy levels of the X-ray spectrum, leading to a nonlinear metal effect in CT measurements. Recovering CT images from metal-affected measurements hence poses a complicated nonlinear inverse problem where empirical models adopted in previous metal artifact reduction (MAR) approaches lead to signal loss and strongly aliased reconstructions. Polyner instead models the MAR problem from a nonlinear inverse problem perspective. Specifically, we first derive a polychromatic forward model to accurately simulate the nonlinear CT acquisition process. Then, we incorporate our forward model into the implicit neural representation to accomplish reconstruction. Lastly, we adopt a regularizer to preserve the physical properties of the CT images across different energy levels while effectively constraining the solution space. Our Polyner is an unsupervised method and does not require any external training data. Experimenting with multiple datasets shows that our Polyner achieves comparable or better performance than supervised methods on in-domain datasets while demonstrating significant performance improvements on out-of-domain datasets. To the best of our knowledge, our Polyner is the first unsupervised MAR method that outperforms its supervised counterparts. The code for this work is available at: https://github.com/iwuqing/Polyner.

研究の動機と目的

• 金属痕跡を含むすべての測定情報を保持するための、CT MARの非線形・多色ビューを動機づける。
• 多色前方モデルを組み込んだ無監督のINRベース手法Polynerを提案する。
• スペクトル間の物理的エネルギー水準特性を保持する正則化を導入する。
• 未知ドメインデータへの頑健性を示し、監視付きMAR手法と比較する。

提案手法

• Nエネルギー水準にわたる多色画像再構成としてCT MAR問題をモデル化し、座標をN個のLACマップへ写像するINRを用いる。
• エネルギー依存の投影を測定値へ集約する、微分可能な多色CT前方モデルを導出する。
• 実測値と予測測定値のデータ整合性損失と、隣接エネルギー水準間のエネルギー依存の滑らかさ損失を最小化してINRを訓練する。
• 前方モデル駆動の最適化を用いて多色LACを回復し、スペクトルの代表エネルギーに対応する単色画像を出力する。
• INRにはハッシュエンコーディングと2層MLPを実装し、サンプリングされたX線ビューでAdamにより最適化する。

実験結果

リサーチクエスチョン

• RQ1 無監督の多色INRベース再構成は、インドメインデータで監視付きMAR法と競合できるか？
• RQ2 多色前方モデルの組み込みは、線形/単色アプローチよりMAR性能を改善するか？
• RQ3 エネルギー水準の離散化とエネルギー滑らかさ正則化はMAR結果にどのような影響を与えるか？
• RQ4 未知ドメインや実データに対する方法の性能は、監視付きベースラインと比べてどうか？

主な発見

カテゴリ	手法	DeepLesion PSNR	DeepLesion SSIM	XCOM PSNR	XCOM SSIM
Model-based	FBP [ 3 ]	29.98 ± 3.46	0.7470 ± 0.0992	23.76 ± 0.08	0.6506 ± 0.0240
Model-based	LI [ 10 ]	31.85 ± 3.20	0.8483 ± 0.0726	33.57 ± 0.44	0.8866 ± 0.0300
Model-based	ART [ 45 ]	32.88 ± 3.63	0.8352 ± 0.0701	32.45 ± 3.76	0.8322 ± 0.0762
Model-based	NMAR [ 11 ]	32.84 ± 5.07	0.8920 ± 0.0938	36.63 ± 0.23	0.9473 ± 0.0068
Supervised	CNN-MAR [ 7 ]	34.22 ± 2.70	0.9240 ± 0.0375	38.52 ± 0.77	0.9591 ± 0.0100
Supervised	DICDNet [ 14 ]	37.55 ± 2.52	0.9689 ± 0.0116	32.65 ± 2.11	0.9449 ± 0.0037
Supervised	ACDNet [ 13 ]	38.19 ± 2.54	0.9675 ± 0.0152	33.04 ± 1.65	0.9343 ± 0.0089
Unsupervised	ADN [ 30 ]	33.00 ± 3.21	0.9412 ± 0.0246	25.26 ± 0.94	0.8737 ± 0.0107
Unsupervised	Score-MAR [ 9 ]	31.66 ± 3.72	0.9174 ± 0.0423	24.92 ± 1.15	0.8754 ± 0.0044
Ours	Polyner (Ours)	37.57 ± 1.93	0.9754 ± 0.0083	38.74 ± 0.59	0.9508 ± 0.0001

• Polynerはインドメインデータで監視付きMAR法と同等かそれ以上のPSNR/SSIMを達成し、未知ドメインデータではそれらを上回る。
• アブレーションにより、多色前方モデルはMAR性能を大幅に改善し、線形前方モデルに対して約3.92 dBのPSNR向上を実現。
• エネルギー依存の滑らかさ損失はエネルギー水準間の整合性を高め、再構成品質を向上させる。
• エネルギー水準の数を増やすとMAR性能と画像詳細が向上する。
• Polynerは依然として無監督で、外部訓練データを必要とせず、多様なデータセットで堅牢な性能を発揮する。