[論文レビュー] 2-Step Sparse-View CT Reconstruction with a Domain-Specific Perceptual Network

Haoyu Wei, Florian Schiffers+5 more|arXiv (Cornell University)|Dec 8, 2020

Medical Imaging Techniques and Applications参考文献 45被引用数 8

ひとこと要約

本論文は、スパースビューCT再構成のための2段階ディーブラーニングフレームワークを提案する。最初の段階では、ドメイン特化型のスーパーサンプルネットワーク（SIN）を用いてスパースなサイノグラムをスーパーサンプルし、2番目の段階ではリファイニングネットワーク（PRN）でFused Back-Projection（FBP）による再構成画像を精緻化する。本手法は、軽量でドメイン適応型の知覚損失と、低サンプリング状況下でのアーティファクト抑制および詳細再現性を向上させるためのタスク特化モジュールを活用することで、最先端手法よりも4 dBのPSNR向上を達成した。

ABSTRACT

Computed tomography is widely used to examine internal structures in a non-destructive manner. To obtain high-quality reconstructions, one typically has to acquire a densely sampled trajectory to avoid angular undersampling. However, many scenarios require a sparse-view measurement leading to streak-artifacts if unaccounted for. Current methods do not make full use of the domain-specific information, and hence fail to provide reliable reconstructions for highly undersampled data. We present a novel framework for sparse-view tomography by decoupling the reconstruction into two steps: First, we overcome its ill-posedness using a super-resolution network, SIN, trained on the sparse projections. The intermediate result allows for a closed-form tomographic reconstruction with preserved details and highly reduced streak-artifacts. Second, a refinement network, PRN, trained on the reconstructions reduces any remaining artifacts. We further propose a light-weight variant of the perceptual-loss that enhances domain-specific information, boosting restoration accuracy. Our experiments demonstrate an improvement over current solutions by 4 dB.

研究の動機と目的

• アングルのアンダーサンプリングと不適切な再構成によるストリークアーティファクトの問題に対処すること。
• 再構成後の画像空間ではなく、測定値（サイノグラム）領域におけるドメイン特化型の事前知識を活用することで再構成品質を向上させること。
• サイノグラムデータに特化した、高周波成分の回復を促進する軽量で効果的な知覚損失関数の開発。
• 再構成プロセスを2段階に分離する——まずサイノグラム領域でのスーパーサンプル、次に画像領域でのアーティファクトリファイニング——ことで、詳細再現性と解釈可能性を向上させること。
• Two-Endsフリッピングや高周波損失といったタスク特化モジュールの有効性を、広範なアブレーションスタディを通じて検証すること。

提案手法

• フレームワークは再構成を2段階に分離する：まず、1次元線形補間とTwo-Ends（TE）フリッピング前処理を用いて、スパースサイノグラムをスーパーサンプルするネットワーク（SIN）が適用される。
• SINは、VGGベースの損失に代わる、ドメイン特化型知覚（DP）損失を用いて訓練され、サイノグラム表現学習における効率性と正確性が向上する。
• スーパーサンプルされたサイノグラムは、複数の角度密度にダウンサンプリングされ、フィルタドバックプロジェクション（FBP）を用いて複数の中間再構成画像が生成される。
• リファイニングネットワーク（PRN）は、これらのFBP出力を用いて訓練され、残存アーティファクトを除去する。4チャネル入力をキャスケードに用いることで、特徴の多様性と再構成忠実度が向上する。
• DP知覚損失は、サイノグラムデータにおいて重要な高周波成分に重点を置くように設計されており、エッジやテクスチャの再現性が向上する。
• アブレーションスタディでは、各モジュール（TE前処理、高周波損失、DP知覚損失）の有効性が評価され、それらの個別的および統合的寄与度が示された。

実験結果

リサーチクエスチョン

• RQ1 サイノグラム領域におけるスーパーサンプルは、再構成後の画像空間処理を上回る性能を示すのか？
• RQ2 標準的なVGGベースの損失と比較して、ドメイン特化型知覚損失は再構成精度をどの程度向上させるのか？
• RQ3 Two-Endsフリッピングや高周波損失といったタスク特化モジュールは、低サンプリングCTにおいて再構成品質をどの程度向上させるのか？
• RQ4 2段階アプローチ（スーパーサンプル→リファイニング）は、単一段階ネットワークに比べて、より優れた詳細再現性とアーティファクト抑制を達成するのか？
• RQ5 各提案モジュールの、極度にアンダーサンプリングされた再構成における全体的な性能向上に寄与する相対的寄与度はどの程度か？

主な発見

• 提案されたSIN-4c-PRNモデルは、次善の手法（FISTA-PD-TV）に対して平均4.29 dBのPSNR向上を達成し、PSNRは34.90 dB（σ=2.15）を記録した。
• ベースラインと比較して、SSIMが5ポイント向上（0.877に）し、分散が低減された。これは、より一貫性があり構造的忠実度の高い再構成を示している。
• ドメイン特化型知覚（DP）損失は、VGG16ベースの知覚損失を上回り、PSNR 33.51 dB（VGGベースでは33.39 dB）を達成し、低コントラスト領域の詳細再現性も優れた。
• TEフリッピング前処理と高周波（HF）損失は、DP損失と組み合わせた場合、それぞれ約2.5 dBのPSNR向上に寄与した。
• アブレーションスタディにより、PRN段階における4チャネル入力が顕著に性能向上をもたらすことが確認され、SIN-4c-PRNはSIN-PRNよりもPSNRで0.29 dB向上した。
• 定性的な結果では、本手法がストリークアーティファクトを効果的に抑制するとともに、特に低コントラスト領域における微細な解剖学的詳細を良好に保持していることが示された。