[论文解读] Unsupervised CT Metal Artifact Learning using Attention-guided beta-CycleGAN

Jung-Hyun Lee, Jawook Gu+1 more|arXiv (Cornell University)|Jul 7, 2020

Advanced X-ray and CT Imaging参考文献 40被引用 5

一句话总结

本文提出了一种基于注意力引导的beta-CycleGAN框架的无监督CT成像金属伪影抑制（MAR）方法。通过整合解耦参数β与卷积块注意力模块（CBAM），该模型在无需成对训练数据的情况下，有效抑制了条状伪影与衰减伪影，同时保留了解剖细节，在合成数据与真实临床数据上均达到了最先进性能。

ABSTRACT

Metal artifact reduction (MAR) is one of the most important research topics in computed tomography (CT). With the advance of deep learning technology for image reconstruction,various deep learning methods have been also suggested for metal artifact removal, among which supervised learning methods are most popular. However, matched non-metal and metal image pairs are difficult to obtain in real CT acquisition. Recently, a promising unsupervised learning for MAR was proposed using feature disentanglement, but the resulting network architecture is complication and difficult to handle large size clinical images. To address this, here we propose a much simpler and much effective unsupervised MAR method for CT. The proposed method is based on a novel beta-cycleGAN architecture derived from the optimal transport theory for appropriate feature space disentanglement. Another important contribution is to show that attention mechanism is the key element to effectively remove the metal artifacts. Specifically, by adding the convolutional block attention module (CBAM) layers with a proper disentanglement parameter, experimental results confirm that we can get more improved MAR that preserves the detailed texture of the original image.

研究动机与目标

• 为解决CT成像中金属伪影抑制（MAR）的挑战，其中真实无金属与金属影响图像的成对数据极少可用于监督训练。
• 开发一种轻量化、高效的无监督深度学习方法，避免模式崩溃，并处理由局部金属物体引起的复杂、全局辐射状伪影。
• 通过基于最优传输理论推导的β参数，提升伪影生成与无伪影图像重建之间的特征解耦。
• 通过引入CBAM注意力模块增强表征学习，使网络能够在通道与空间维度上聚焦于显著的伪影区域。
• 在真实临床数据上验证方法的鲁棒性，并证明其相对于现有无监督与监督MAR方法的优越性。

提出的方法

• 该方法采用一种源自最优传输理论的新型β-CycleGAN架构，其中β控制重建无伪影图像与生成金属伪影的相对重要性。
• 生成器网络通过引入卷积块注意力模块（CBAM）进行增强，该模块通过关注空间与通道特征自适应校准特征图，从而改善伪影区域的定位。
• 训练目标强制真实金属影响图像与重建的无伪影图像之间保持循环一致性，确保图像到图像的转换具有可逆性与稳定性。
• 损失函数结合对抗性损失、循环一致性损失与加权的β重建损失，强调无伪影图像的保真度。
• 网络仅使用真实金属影响的CT扫描进行无监督训练，无需成对的干净图像。
• 通过调优解耦参数β，平衡准确伪影生成与高保真度无伪影图像重建之间的权衡。

实验结果

研究问题

• RQ1 无监督深度学习框架是否能在无需真实成对训练数据的情况下有效减少CT中的金属伪影？
• RQ2 注意力机制（如CBAM）的集成如何改善CT图像中金属伪影的定位与抑制？
• RQ3 解耦参数β对β-CycleGAN框架中伪影去除的质量与稳定性有何影响？
• RQ4 与现有无监督MAR方法相比，该方法是否能更好地保留细微的解剖纹理与结构？
• RQ5 当仅使用合成或模拟数据进行训练时，该模型在真实临床CT扫描上的泛化能力如何？

主要发现

• 所提出的注意力引导β-CycleGAN在性能上显著优于基线CycleGAN及其他无监督方法，视觉质量与结构保留方面均有显著提升。
• 引入CBAM后，残留伪影（尤其是背景区域）明显减少，且避免了对金属植入物的错误移除。
• 将解耦参数β从1提升至10，显著增强了伪影抑制效果，证明了其在强调无伪影图像重建中的关键作用。
• 该方法在远离金属源的区域仍能有效保留细微的解剖纹理与细节，表明其具备良好的全局伪影处理能力。
• 该模型对非伪影图像表现出鲁棒性，应用于无金属扫描时图像质量退化极小。
• 消融实验表明，β与CBAM均为关键组件，移除任一均导致伪影抑制与图像保真度的明显下降。