[论文解读] Deep Learning Based Computed Tomography Whys and Wherefores

Shabab Bazrafkan, Vincent Van Nieuwenhove+3 more|arXiv (Cornell University)|Apr 8, 2019

Medical Imaging Techniques and Applications参考文献 46被引用 8

一句话总结

本文研究了基于深度学习（DL）的低剂量计算机断层扫描（CT）重建方法，比较了在重建后对图像去噪的数据驱动方法与直接从反投影图映射到图像的端到端模型。研究发现，前者方法表现更优，因其能更好地保留解剖细节并减少过拟合，尤其是在模型几何结构至关重要的病态低剂量场景下。

ABSTRACT

This is an article about the Computed Tomography (CT) and how Deep Learning influences CT reconstruction pipeline, especially in low dose scenarios.

研究动机与目标

• 分析深度神经网络（DNNs）在改善低剂量CT重建中的作用，同时解决噪声和伪影等挑战。
• 比较两种主要的数据驱动方法：重建后的去噪与从反投影图到图像的端到端映射。
• 评估基于模型的方法与纯数据驱动方法在低剂量CT成像中的优缺点。
• 评估基于DL的CT重建在临床系统中的实际可行性与临床相关性，结合真实世界实施趋势。
• 通过识别关键设计原则与架构权衡，为DL在CT中的最优应用提供建议。

提出的方法

• 使用滤波反投影（FBP）和解析重建作为对比基线方法。
• 应用深度神经网络（DNNs）对重建图像进行去噪（后处理）或直接将原始反投影图数据映射到图像空间（端到端学习）。
• 采用标准深度学习优化技术，如Adam优化器、批量归一化、ReLU激活函数以及跳跃连接，以稳定训练过程。
• 利用成熟的DL框架（如TensorFlow、PyTorch和MXNet）高效实现并训练卷积神经网络（CNNs）。
• 采用基于均方误差（MSE）和感知相似性（perceptual similarity）的损失函数，引导网络训练以实现高保真度的图像重建。
• 将CT物理知识（如反投影图结构、X射线束几何）融入网络设计，以提升泛化能力并减少过拟合。

实验结果

研究问题

• RQ1 数据驱动的深度学习方法与传统基于模型的重建方法在低剂量CT中相比如何？
• RQ2 与重建后去噪方法相比，使用端到端深度学习模型进行CT重建的优势与局限性是什么？
• RQ3 为何在低剂量场景中整合CT成像几何的物理知识能提升重建质量？
• RQ4 DNN在降低低剂量CT中的噪声和伪影的同时，能在多大程度上保留诊断所需的图像细节？
• RQ5 在高分辨率数据的临床CT系统中部署端到端深度学习模型面临哪些实际挑战？

主要发现

• 在低剂量CT中，重建后去噪方法优于端到端学习，因其能更好地保留解剖细节并减少过拟合。
• 端到端模型的模型规模随输入分辨率呈指数级增长，增加了过拟合风险，并使实际部署更加复杂。
• 端到端模型忽略了CT的底层物理几何结构，这在病态低剂量场景中尤为严重，因为此类约束对重建至关重要。
• 将CT物理知识整合到网络中的基于模型的深度学习方法，在保持图像质量和减少伪影方面更为有效。
• 工业界更倾向于采用去噪方法，如首个商业化可用的基于DL的低剂量CT重建系统，其设计用于补偿管电流降低，而非处理不完整投影。
• DL在CT中成功的关键在于其能够从数据中学习复杂的噪声和伪影模式，尤其当与物理先验结合时，可显著提升图像质量，达到临床可用水平。