[论文解读] Patch-Based Denoising Diffusion Probabilistic Model for Sparse-View CT Reconstruction

Wenjun Xia, Wenxiang Cong+1 more|arXiv (Cornell University)|Nov 18, 2022

Medical Imaging Techniques and Applications被引用 11

一句话总结

本文提出一种基于图像块的去噪扩散概率模型（DDPM），用于稀疏视角CT重建，通过在全采样投影数据的图像块上进行训练，实现无监督学习，支持并行推理并有效抑制伪影，同时保留精细纹理。该方法在NIH-AAPM-Mayo Clinic数据集上实现了SOTA性能，PSNR达到38.69，SSIM达到0.9132。

ABSTRACT

Sparse-view computed tomography (CT) can be used to reduce radiation dose greatly but is suffers from severe image artifacts. Recently, the deep learning based method for sparse-view CT reconstruction has attracted a major attention. However, neural networks often have a limited ability to remove the artifacts when they only work in the image domain. Deep learning-based sinogram processing can achieve a better anti-artifact performance, but it inevitably requires feature maps of the whole image in a video memory, which makes handling large-scale or three-dimensional (3D) images rather challenging. In this paper, we propose a patch-based denoising diffusion probabilistic model (DDPM) for sparse-view CT reconstruction. A DDPM network based on patches extracted from fully sampled projection data is trained and then used to inpaint down-sampled projection data. The network does not require paired full-sampled and down-sampled data, enabling unsupervised learning. Since the data processing is patch-based, the deep learning workflow can be distributed in parallel, overcoming the memory problem of large-scale data. Our experiments show that the proposed method can effectively suppress few-view artifacts while faithfully preserving textural details.

研究动机与目标

• 为解决因投影数据有限导致稀疏视角CT重建中严重图像伪影的挑战。
• 克服图像域深度学习模型在低剂量或少视角CT中难以去除伪影的局限性。
• 实现无需配对全采样与下采样数据即可进行重建的无监督训练。
• 通过基于图像块的处理方式，开发一种内存高效、可扩展的方法，适用于大规模或3D CT重建。
• 在稀疏视角CT中有效抑制噪声与条纹状伪影的同时，保留结构与纹理细节。

提出的方法

• 在全采样投影数据中提取的图像块上训练去噪扩散概率模型（DDPM），实现无需配对数据的无监督学习。
• DDPM对下采样投影数据执行反向扩散过程，通过去噪图像块重建高质量投影数据。
• 采用64×64的图像块大小与32的步长，实现重叠采样，支持投影域内的并行处理。
• 模型采用连续时间扩散过程，β(t)调度从10⁻⁴到0.02，时间范围t ∈ [0,1]，符合标准DDPM公式。
• 通过γ = 1.0与η = 0.1的条件生成，引导反向过程向期望的投影结构收敛。
• 最终通过滤波反投影（FBP）从去噪后的图像块拼接投影数据中重建CT图像。

实验结果

研究问题

• RQ1 基于图像块的扩散模型是否能在无需配对训练数据的情况下有效重建稀疏视角CT图像？
• RQ2 基于图像块的方法是否能克服处理大规模或3D CT数据集时的内存限制？
• RQ3 与传统后处理网络相比，基于DDPM的方法是否能更好地保留精细纹理与结构细节？
• RQ4 在伪影抑制与图像质量指标方面，该方法与FBP及其他深度学习方法相比表现如何？
• RQ5 无监督DDPM学习是否能在最小化虚假特征与模糊化的同时实现高保真重建？

主要发现

• 该方法在测试集上实现了38.69的PSNR与0.9132的SSIM，显著优于FBP（PSNR: 26.41, SSIM: 0.5608）。
• 噪声功率谱（NPS）分析表明，重建误差集中在中频带，表明噪声特性具有视觉合理性。
• 该方法有效抑制了FBP重建中常见的条纹状伪影，尤其在低对比度区域表现更优。
• 重建图像中的纹理细节保留良好，几乎无模糊或虚假特征，其感知保真度优于基于GAN的方法。
• 基于图像块的设计支持并行推理，使该方法在高分辨率与3D CT应用中具备可扩展性。
• 模型在RTX A5000 GPU上使用Adam优化器、学习率为1×10⁻⁴，经200,000次迭代后稳定收敛。