[论文解读] X-ray Photon-Counting Data Correction through Deep Learning

Mengzhou Li, David S. Rundle+1 more|arXiv (Cornell University)|Jul 6, 2020

Advanced X-ray and CT Imaging参考文献 43被引用 11

一句话总结

本论文提出了一种基于深度学习的方法，用于校正X射线光子计数探测器（PCDs）中的光谱失真，通过在模拟数据上训练的监督对抗网络，解决脉冲堆积和电荷分裂效应。该方法在光谱恢复中实现了低于6%的相对误差，并显著提升了投影域和重建域的图像保真度。

ABSTRACT

X-ray photon-counting detectors (PCDs) are drawing an increasing attention in recent years due to their low noise and energy discrimination capabilities. The energy/spectral dimension associated with PCDs potentially brings great benefits such as for material decomposition, beam hardening and metal artifact reduction, as well as low-dose CT imaging. However, X-ray PCDs are currently limited by several technical issues, particularly charge splitting (including charge sharing and K-shell fluorescence re-absorption or escaping) and pulse pile-up effects which distort the energy spectrum and compromise the data quality. Correction of raw PCD measurements with hardware improvement and analytic modeling is rather expensive and complicated. Hence, here we proposed a deep neural network based PCD data correction approach which directly maps imperfect data to the ideal data in the supervised learning mode. In this work, we first establish a complete simulation model incorporating the charge splitting and pulse pile-up effects. The simulated PCD data and the ground truth counterparts are then fed to a specially designed deep adversarial network for PCD data correction. Next, the trained network is used to correct separately generated PCD data. The test results demonstrate that the trained network successfully recovers the ideal spectrum from the distorted measurement within $\pm6\%$ relative error. Significant data and image fidelity improvements are clearly observed in both projection and reconstruction domains.

研究动机与目标

• 解决由脉冲堆积和电荷分裂引起的X射线光子计数探测器（PCDs）中的光谱失真问题。
• 开发一种无需依赖复杂物理建模的数据驱动端到端深度学习方法，用于PCD数据校正。
• 在投影域和重建的CT图像中均提升光谱保真度和图像质量。
• 建立一个真实的仿真流程，用于生成用于训练的失真与理想PCD数据配对。
• 证明深度学习方法在纠正复杂光谱失真方面优于传统基于模型或浅层网络的方法。

提出的方法

• 开发了一个综合仿真模型，以包含脉冲堆积和电荷分裂效应，包括电荷共享和K壳层荧光逃逸。
• 仿真生成具有真实光谱失真的合成PCD数据，以及相应的理想光谱作为监督训练的真值。
• 训练了一个专门设计的深度对抗网络，包括用于脉冲堆积校正的dePUnet和用于电荷分裂校正的deCSnet，实现端到端训练。
• 网络采用生成对抗训练策略，以增强光谱保真度并减少重建伪影。
• 训练过程利用配对的合成数据，将失真的PCD测量映射到理想的光谱投影。
• 提出迁移学习用于实际部署，即在基于仿真的训练之后，使用真实PCD测量对网络进行微调。

实验结果

研究问题

• RQ1 深度学习模型能否有效校正由脉冲堆积和电荷分裂引起的X射线PCD数据中的光谱失真？
• RQ2 与浅层或基于模型的校正方法相比，深度对抗网络在光谱保真度和图像质量方面的表现如何？
• RQ3 基于仿真的深度学习方法在多大程度上能从高度失真的PCD测量中恢复理想光谱？
• RQ4 在真实条件下，光谱恢复在所有能量通道中的可实现误差范围是多少？
• RQ5 深度学习方法能否同时在投影域和重建域中抑制噪声并校正光谱失真？

主要发现

• 所提出的深度学习方法在99.7%置信水平下，所有能量通道的像素级相对误差最大值低于6%。
• 99%的像素误差控制在6%以内，99.7%的像素在第3至第9个能量通道（40–110 keV）内误差低于3%。
• 该方法将最坏情况下的最大相对误差从校正前的1000%以上降低至55%以下。
• 图像重建质量显著提升，SSIM得分提高0.024至0.517，PSNR得分提升25.3%至161.1%。
• 深度对抗网络优于浅层全连接网络，将MSE损失降低至0.0000011（收敛后），而后者为0.12。
• 视觉与定量结果均证实，该方法在投影域和重建图像域中均实现了强噪声抑制和精确的光谱恢复。