[论文解读] A deep network for sinogram and CT image reconstruction

Wei Wang, Xiang‐Gen Xia+5 more|arXiv (Cornell University)|Jan 20, 2020

Medical Imaging Techniques and Applications参考文献 24被引用 8

一句话总结

该论文提出了一种端到端深度学习框架，通过可微分滤波反投影（FBP）层将两个模块级联，联合重建CT图像并去噪/上采样原始 sinogram。该方法在低角度、噪声较大的 sinogram 数据上实现了最先进的性能，平均 PSNR 达到 34.39 dB，SSIM 达到 0.918，得益于使用了带标签的 sinogram 和 CT 图像对，显著提升了性能。

ABSTRACT

A CT image can be well reconstructed when the sampling rate of the sinogram satisfies the Nyquist criteria and the sampled signal is noise-free. However, in practice, the sinogram is usually contaminated by noise, which degrades the quality of a reconstructed CT image. In this paper, we design a deep network for sinogram and CT image reconstruction. The network consists of two cascaded blocks that are linked by a filter backprojection (FBP) layer, where the former block is responsible for denoising and completing the sinograms while the latter is used to removing the noise and artifacts of the CT images. Experimental results show that the reconstructed CT images by our methods have the highest PSNR and SSIM in average compared to state of the art methods.

研究动机与目标

• 解决低剂量 CT 重建中因噪声大且采样不足的 sinogram 导致图像质量下降的挑战。
• 开发一种端到端的深度学习框架，联合重建 CT 图像并增强 sinogram。
• 通过在训练过程中引入带标签的 sinogram 和 CT 图像对，提升图像质量。
• 通过一种新颖的梯度计算方法，克服 FBP 操作的不可微性。

提出的方法

• 网络由两个级联模块构成：第一部分负责 sinogram 去噪与上采样，第二部分则对重建的 CT 图像进行精细化处理。
• 两部分通过一个滤波反投影（FBP）层连接，该层将 sinogram 转换为 CT 图像，梯度通过稀疏矩阵乘法反向传播。
• 设计了一种自定义损失函数，结合最终 CT 图像的重建损失与中间 sinogram 的去噪损失，损失权重由超参数 λ 控制。
• 使用低角度、带噪声的 sinogram 与对应高质量 CT 图像的配对数据，对网络进行端到端训练。
• 第一部分采用类似残差 U-Net 的网络结构，结合卷积与转置卷积层，用于 sinogram 的重建与去噪。
• 通过稀疏矩阵乘法计算梯度，使 FBP 层具备可微性，从而实现重建过程中的反向传播。

实验结果

研究问题

• RQ1 深度学习模型能否比现有方法更有效地联合重建高质量 CT 图像并去噪/上采样低剂量 sinogram？
• RQ2 在训练过程中引入带标签的 sinogram 数据，对 CT 图像重建性能有何影响？
• RQ3 在级联式深度学习框架中，sinogram 去噪与最终 CT 图像重建之间的最优权衡是什么？
• RQ4 损失权重参数 λ 的选择如何影响两阶段网络的性能？

主要发现

• 在 90 度角 sinogram 测试数据上，所提方法实现了最高的平均 PSNR（34.39 dB）与 SSIM（0.918），优于 FBP、Red-CNN、DD-Net 和 FBP-Conv。
• 在 180 度角 sinogram 上，当 λ=0.1 时，sinogram 的 PSNR 达到 56.12 dB，CT 图像 PSNR 达到 36.33 dB，表明其具备强大的去噪与重建能力。
• 当 λ=0.5 时，网络在 90 度角数据上实现了最佳的整体 CT 图像质量，表明在 sinogram 与图像级优化之间达到了最佳平衡。
• 绝对差分图像显示，与基线方法相比，所提方法能更好地保留解剖细节并减少伪影。
• 消融实验确认，网络性能对 λ 敏感，λ=0.5 在低角度重建中提供了最优平衡。
• 使用带标签的 sinogram 与 CT 图像对显著提升了重建质量，证明了多级监督的优越性。