[论文解读] LEARN: Learned Experts' Assessment-based Reconstruction Network for Sparse-data CT

Hu Chen, Yi Zhang+8 more|arXiv (Cornell University)|Jul 30, 2017

Medical Imaging Techniques and Applications参考文献 43被引用 7

一句话总结

该论文提出 LEARN，一种基于深度学习的稀疏数据CT重建网络，通过展开基于 Fields of Experts 的迭代算法，从训练数据中学习正则化参数。该方法在仅使用12层的情况下，实现了卓越的图像质量，显著降低了伪影并保留了特征，优于 Mayo Clinic 低剂量挑战数据集上的最先进方法，同时将计算复杂度降低了数量级。

ABSTRACT

Compressive sensing (CS) has proved effective for tomographic reconstruction from sparsely collected data or under-sampled measurements, which are practically important for few-view CT, tomosynthesis, interior tomography, and so on. To perform sparse-data CT, the iterative reconstruction commonly use regularizers in the CS framework. Currently, how to choose the parameters adaptively for regularization is a major open problem. In this paper, inspired by the idea of machine learning especially deep learning, we unfold a state-of-the-art "fields of experts" based iterative reconstruction scheme up to a number of iterations for data-driven training, construct a Learned Experts' Assessment-based Reconstruction Network ("LEARN") for sparse-data CT, and demonstrate the feasibility and merits of our LEARN network. The experimental results with our proposed LEARN network produces a competitive performance with the well-known Mayo Clinic Low-Dose Challenge Dataset relative to several state-of-the-art methods, in terms of artifact reduction, feature preservation, and computational speed. This is consistent to our insight that because all the regularization terms and parameters used in the iterative reconstruction are now learned from the training data, our LEARN network utilizes application-oriented knowledge more effectively and recovers underlying images more favorably than competing algorithms. Also, the number of layers in the LEARN network is only 12, reducing the computational complexity of typical iterative algorithms by orders of magnitude.

研究动机与目标

• 解决基于压缩感知的CT重建中自适应正则化参数选择的挑战。
• 通过从数据中学习特定应用的正则化，改善稀疏数据CT（包括少量视角CT和断层摄影）的图像质量。
• 在保持或提升图像保真度的同时，降低迭代重建方法的计算负担。
• 开发一种数据驱动的、端到端可训练的网络，其在速度和准确性上优于传统迭代方法。

提出的方法

• 该方法将最先进的基于 Fields of Experts (FoE) 的迭代重建算法展开为一个具有12层的深度神经网络。
• 每一层通过可微的、数据驱动的公式学习正则化参数，并更新图像估计。
• 网络在大量CT扫描数据上进行端到端训练，以从数据中学习最优正则化。
• 该架构受迭代软阈值收缩算法启发，但将固定的正则化项替换为学习到的、自适应的组件。
• 网络采用残差学习结构以提高训练稳定性和收敛性。
• 最终模型通过数据一致性项与学习到的先验项的组合进行优化。

实验结果

研究问题

• RQ1 深度神经网络能否有效从训练数据中学习到稀疏数据CT重建的最优正则化参数？
• RQ2 与传统迭代方法相比，端到端可学习网络在图像质量和速度方面的表现如何？
• RQ3 数据驱动方法在保留细微解剖细节的同时，能在多大程度上降低计算复杂度？
• RQ4 该网络能否在不同稀疏数据CT场景（如少量视角和有限角度采集）中实现泛化？

主要发现

• LEARN在Mayo Clinic低剂量挑战数据集上实现了具有竞争力的图像质量，其在伪影抑制和特征保留方面优于多种最先进方法。
• 与标准迭代算法相比，该网络将计算复杂度降低了数量级，仅需12层即可实现。
• 学习到的正则化参数能有效适应不同成像场景，从而提高重建保真度。
• 该方法在保持高计算效率的同时，在视觉质量与定量指标方面均实现了卓越性能。