[论文解读] A Lightweight Structure Aimed to Utilize Spatial Correlation for Sparse-View CT Reconstruction

Yitong Liu, Ken Deng+2 more|arXiv (Cornell University)|Jan 19, 2021

Medical Imaging Techniques and Applications参考文献 71被引用 5

一句话总结

该论文提出了一种轻量级、双域深度学习框架（LS-AAE），通过利用连续CT切片之间的空间相关性，以高保真度重建稀疏视角CT图像。通过结合L-AAE在Radon域进行图像修复与LS-AAE在图像域进行伪影抑制——两者均采用带线性瓶颈的倒残差结构——该方法实现了最先进性能，在4°采样间隔下达到PSNR 40.305和SSIM 0.948，即使在极端稀疏条件下（16°间隔）也表现优异。

ABSTRACT

Sparse-view computed tomography (CT) is known as a widely used approach to reduce radiation dose while accelerating imaging through lowered projection views and correlated calculations. However, its severe imaging noise and streaking artifacts turn out to be a major issue in the low dose protocol. In this paper, we propose a dual-domain deep learning-based method that breaks through the limitations of currently prevailing algorithms that merely process single image slices. Since the scanned object usually contains a high degree of spatial continuity, the obtained consecutive imaging slices embody rich information that is largely unexplored. Therefore, we establish a cascade model named LS-AAE which aims to tackle the above problem. In addition, in order to adapt to the social trend of lightweight medical care, our model adopts the inverted residual with linear bottleneck in the module design to make it mobile and lightweight (reduce model parameters to one-eighth of its original) without sacrificing its performance. In our experiments, sparse sampling is conducted at intervals of 4°, 8° and 16°, which appears to be a challenging sparsity that few scholars have attempted before. Nevertheless, our method still exhibits its robustness and achieves the state-of-the-art performance by reaching the PSNR of 40.305 and the SSIM of 0.948, while ensuring high model mobility. Particularly, it still exceeds other current methods when the sampling rate is one-fourth of them, thereby demonstrating its remarkable superiority.

研究动机与目标

• 为解决稀疏视角CT中严重的条纹伪影和噪声问题，尽管辐射剂量降低，但其临床应用仍受限。
• 利用尚未被充分挖掘的连续CT图像切片之间的空间相关性，以超越单切片方法的重建质量。
• 开发一种轻量级、适用于移动设备的模型，同时将参数量大幅减少至原始大小的1/8。
• 在极端稀疏条件下实现稳健性能，包括16°采样间隔，此时少数先前方法难以奏效。
• 在具有挑战性的稀疏视角数据上，优于现有最先进方法，在定量指标（PSNR、SSIM）和视觉质量方面均表现更优。

提出的方法

• 设计两级级联模型：L-AAE用于Radon域图像修复，LS-AAE用于图像域伪影抑制。
• 在L-AAE和LS-AAE中均采用带线性瓶颈的倒残差结构，显著减少模型参数量，同时保持性能。
• 使用FBP将修复后的全视角Radon数据转换为图像，作为第二阶段LS-AAE模型的输入。
• 在LS-AAE中利用连续CT切片间的三维空间邻域信息，隐式建模运动并增强伪影去除效果。
• 集成领域特定优化：L-AAE增强Radon域中的结构相似性，LS-AAE降低图像域中的失真。
• 结合两个领域，协同利用其互补优势——Radon域的结构保真度与图像域的纹理准确性。

实验结果

研究问题

• RQ1 利用连续CT切片之间的空间相关性，是否能显著提升稀疏视角CT重建性能，超越单切片方法？
• RQ2 轻量级深度学习模型是否能在将参数量减少87.5%的同时，仍保持最先进性能？
• RQ3 在极端稀疏条件下，双域（Radon + 图像）重建与单域方法相比，在PSNR和SSIM指标上表现如何？
• RQ4 在4°、8°和16°采样间隔下，所提方法是否优于现有最先进方法？
• RQ5 与独立切片处理相比，切片间的空间相关性在伪影抑制中起到了多大作用？

主要发现

• 所提出的LS-AAE模型在4°采样间隔下达到PSNR 40.305和SSIM 0.948，显著优于FBP、SART-TV和U-Net。
• 在8°和16°采样间隔下，性能依然优异，PSNR分别为37.633和34.052，SSIM分别为0.937和0.910。
• 双域方法（Radon + 图像）相比单域方法表现更优：PSNR 40.305 vs. 30.310（仅Radon）和34.135（仅图像）。
• 通过采用带线性瓶颈的倒残差结构，模型参数量减少至原始大小的八分之一，实现无性能损失的移动端部署。
• 即使在极端稀疏（16°采样）条件下，该方法仍优于其他最先进方法，展现出强大的鲁棒性与泛化能力。
• 消融实验表明，切片间空间相关性在图像域中最为有效，而非Radon域，原因在于Radon空间中纹理相似性有限。