[论文解读] AAPM DL-Sparse-View CT Challenge Submission Report: Designing an Iterative Network for Fanbeam-CT with Unknown Geometry

Martin Genzel, Jan Macdonald+1 more|arXiv (Cornell University)|Jun 1, 2021

Medical Imaging Techniques and Applications被引用 5

一句话总结

本文提出了一种数据驱动的迭代深度学习框架，用于在前向模型未知的情况下进行稀疏视角扇束CT重建。首先通过可微影子图拟合从训练数据中估计扇束几何参数，然后采用两阶段网络结构，结合预训练的U-Net与基于滤波反投影的数据一致性步骤，实现了近乎精确的重建，其RMSE比最先进的方法（如学习型原始-对偶算法）低一个数量级。

ABSTRACT

This report is dedicated to a short motivation and description of our contribution to the AAPM DL-Sparse-View CT Challenge (team name: "robust-and-stable"). The task is to recover breast model phantom images from limited view fanbeam measurements using data-driven reconstruction techniques. The challenge is distinctive in the sense that participants are provided with a collection of ground truth images and their noiseless, subsampled sinograms (as well as the associated limited view filtered backprojection images), but not with the actual forward model. Therefore, our approach first estimates the fanbeam geometry in a data-driven geometric calibration step. In a subsequent two-step procedure, we design an iterative end-to-end network that enables the computation of near-exact solutions.

研究动机与目标

• 解决在前向模型（几何参数）未知的情况下稀疏视角CT重建的挑战。
• 开发一种方法，在测量数据有限且子采样条件下实现近乎精确的图像恢复。
• 确保在测量扰动下基于深度学习的重建方法具有鲁棒性与稳定性。
• 通过可微几何参数估计将物理建模融入网络，实现端到端训练。
• 在重建精度方面超越现有最先进的数据驱动方法，尤其在RMSE指标上表现更优。

提出的方法

• 通过梯度下降与自动微分，利用参数化、可微的扇束算子对影子图-图像对进行拟合，以估计未知的扇束几何参数。
• 使用预训练的U-Net作为主要特征提取器与重建主干网络。
• 实现两步迭代网络结构：第一步为U-Net推理，第二步采用基于滤波反投影的更新步骤，而非伴随算子。
• 基于滤波反投影结果，采用类似ℓ²梯度的更新步骤以强制满足数据一致性。
• 在训练集上使用监督损失对整个网络进行端到端训练，几何参数与重建结果联合优化。
• 未来可扩展至利用影子图一致性条件进行无监督几何校准。

实验结果

研究问题

• RQ1 在缺乏前向模型先验知识的前提下，数据驱动方法能否从有限的影子图-图像对中准确估计未知的扇束几何参数？
• RQ2 在迭代网络中，采用基于滤波反投影的数据一致性步骤是否相比标准伴随算子方法能提升重建精度？
• RQ3 预训练的U-Net能否在迭代深度学习框架中被有效重用于反问题求解？
• RQ4 在稀疏视角CT中，该方法与最先进的方法（如学习型原始-对偶算法）相比，重建精度如何？
• RQ5 所提框架对测量扰动是否具有鲁棒性？在无噪声情况下能否实现近乎精确的恢复？

主要发现

• 基于作者内部验证集的实验结果，所提方法在均方根误差（RMSE）指标上比学习型原始-对偶算法低一个数量级。
• 数据驱动的几何参数估计步骤成功地从训练数据中恢复出底层的扇束参数，验证了可微影子图拟合的有效性。
• 在数据一致性步骤中采用滤波反投影相比标准伴随算子更新，显著提升了网络性能。
• 该框架对测量扰动表现出高度稳定性，支持了基于深度学习的重建方法具备可靠与鲁棒性的结论。
• 当预训练的U-Net主干与迭代优化结合时，可在无噪声数据上实现视觉上完美的重建，接近精确恢复。
• 在稀疏视角CT设置下，该方法在重建精度上优于现有最先进的数据驱动方法，尤其在验证集上的RMSE最小化方面表现突出。