[论文解读] 2-Step Sparse-View CT Reconstruction with a Domain-Specific Perceptual Network

Haoyu Wei, Florian Schiffers+5 more|arXiv (Cornell University)|Dec 8, 2020

Medical Imaging Techniques and Applications参考文献 45被引用 8

一句话总结

本文提出一种两阶段深度学习框架，用于稀疏视角CT图像重建，首先利用领域特定的超分辨率网络（SIN）对稀疏投影图进行超分辨率重建，随后通过精炼网络（PRN）对FBP重建图像进行优化。该方法通过采用轻量级、领域自适应的感知损失以及针对任务设计的模块，在低采样场景下实现了更优的伪影抑制与细节保持，相比最先进方法获得4 dB的PSNR增益。

ABSTRACT

Computed tomography is widely used to examine internal structures in a non-destructive manner. To obtain high-quality reconstructions, one typically has to acquire a densely sampled trajectory to avoid angular undersampling. However, many scenarios require a sparse-view measurement leading to streak-artifacts if unaccounted for. Current methods do not make full use of the domain-specific information, and hence fail to provide reliable reconstructions for highly undersampled data. We present a novel framework for sparse-view tomography by decoupling the reconstruction into two steps: First, we overcome its ill-posedness using a super-resolution network, SIN, trained on the sparse projections. The intermediate result allows for a closed-form tomographic reconstruction with preserved details and highly reduced streak-artifacts. Second, a refinement network, PRN, trained on the reconstructions reduces any remaining artifacts. We further propose a light-weight variant of the perceptual-loss that enhances domain-specific information, boosting restoration accuracy. Our experiments demonstrate an improvement over current solutions by 4 dB.

研究动机与目标

• 为解决由于角度欠采样和重建病态性导致的稀疏视角CT中条纹伪影问题。
• 通过在测量域（投影图）而非重建后图像空间中引入领域特定先验，提升重建质量。
• 设计一种面向投影图数据的轻量级、高效感知损失函数，以增强高频细节恢复能力。
• 将重建过程解耦为两个阶段——首先在投影图域进行超分辨率，随后在图像域进行伪影精炼，以实现更好的细节保持与可解释性。
• 通过广泛的消融实验验证特定任务模块（如双端翻转与高频损失）的有效性。

提出的方法

• 该框架将重建过程解耦为两个阶段：首先，超分辨率网络（SIN）通过一维线性插值与双端（TE）翻转预处理，对稀疏投影图进行上采样。
• SIN采用一种新型领域特定感知（DP）损失进行训练，替代基于VGG的损失，提升了投影图表征学习的效率与准确性。
• 超分辨率后的投影图被下采样至多种角度密度，并通过滤波反投影（FBP）重建，生成多个中间重建结果。
• 精炼网络（PRN）在这些FBP输出上进行训练，以去除残余伪影，采用级联的四通道输入以增强特征多样性与重建保真度。
• DP感知损失被设计为强调投影图数据中关键的高频分量，从而改善边缘与纹理的保持。
• 消融研究评估了每一项组件的贡献：TE预处理、高频损失与DP感知损失，验证了其单独及联合作用。

实验结果

研究问题

• RQ1 在稀疏视角CT中，投影图域的超分辨率是否优于重建后的图像空间处理？
• RQ2 与标准的VGG基感知损失相比，领域特定感知损失在提升重建精度方面的有效性如何？
• RQ3 特定任务模块（如双端翻转与高频损失）在低采样CT中对重建质量的提升程度如何？
• RQ4 两阶段方法（先超分辨率后精炼）是否优于单阶段网络，在细节保持与伪影抑制方面表现更优？
• RQ5 各提出模块对高度欠采样重建中整体性能增益的相对贡献如何？

主要发现

• 所提出的SIN-4c-PRN模型相比次优方法（FISTA-PD-TV）平均PSNR提升4.29 dB，PSNR达34.90 dB（σ=2.15）。
• 与基线相比，SSIM提升5个百分点（达0.877），且方差降低，表明重建结果具更高一致性与结构保真度。
• 领域特定感知（DP）损失优于基于VGG16的感知损失，实现33.51 dB PSNR（对比VGG损失的33.39 dB），并更好保持低对比度细节。
• 双端（TE）翻转预处理与高频（HF）损失在与DP损失结合时，各自贡献约2.5 dB的PSNR增益。
• 消融研究证实，PRN阶段的四通道输入显著提升性能，SIN-4c-PRN相比SIN-PRN在PSNR上提升0.29 dB。
• 定性结果表明，该方法能有效抑制条纹伪影，同时保持精细解剖结构细节，尤其在低对比度区域表现优异。