[论文解读] A Sinogram Inpainting Method based on Generative Adversarial Network for Limited-angle Computed Tomography

Ziheng Li, Wenkun Zhang+5 more|arXiv (Cornell University)|Mar 10, 2019

Medical Imaging Techniques and Applications参考文献 10被引用 6

一句话总结

本文提出了一种基于生成对抗网络（GAN）的原始数据补全方法，通过学习有限角度计算机断层扫描（CT）中投影数据的潜在数据分布，以解决图像伪影问题。通过训练一个局部感受野GAN来重建缺失的原始数据片段，该方法显著减少了伪影，并在60°扫描角度下实现了有效的图像重建，优于传统技术。

ABSTRACT

Limited-angle computed tomography (CT) image reconstruction is a challenging reconstruction problem in the fields of CT. With the development of deep learning, the generative adversarial network (GAN) perform well in image restoration by approximating the distribution of training sample data. In this paper, we proposed an effective GAN-based inpainting method to restore the missing sinogram data for limited-angle scanning. To estimate the missing data, we design the generator and discriminator of the patch-GAN and train the network to learn the data distribution of the sinogram. We obtain the reconstructed image from the restored sinogram by filtered back projection and simultaneous algebraic reconstruction technique with total variation. Experimental results show that serious artifacts caused by missing projection data can be reduced by the proposed method, and it is hopeful to solve the reconstruction problem of 60 degrees limited scanning angle.

研究动机与目标

• 解决由于投影数据不足导致的有限角度CT中图像伪影的问题。
• 在仅获得有限角度范围的投影数据时，提升图像重建质量。
• 开发一种基于深度学习的方法，利用生成对抗网络有效恢复缺失的原始数据。
• 在补全后通过总变差正则化和滤波反投影法实现鲁棒的图像重建。

提出的方法

• 设计了一种基于局部感受野的生成对抗网络（GAN），其中生成器用于预测缺失的原始数据区域，判别器用于区分真实数据与生成数据。
• 生成器通过在有限角度CT扫描中获取的真实完整原始数据上进行训练，学习有效原始数据的分布。
• 判别器通过区分真实原始数据块与生成器生成的块，提升生成结果的真实感与结构一致性。
• 训练好的GAN用于补全不完整原始数据中的缺失区域，随后采用滤波反投影（FBP）和总变差（TV）正则化同时代数重建技术（SART）进行图像重建。
• 该方法利用对抗损失保留细节结构，并减少最终重建图像中的条纹伪影。

实验结果

研究问题

• RQ1 基于GAN的方法能否有效恢复有限角度CT中缺失的原始数据，以减少图像伪影？
• RQ2 局部感受野GAN在有限角度采集数据下，能否良好学习原始数据的潜在分布？
• RQ3 与传统重建方法相比，基于GAN的补全方法在图像质量提升方面达到何种程度？
• RQ4 所提出的方法是否能在60°扫描角度下实现诊断级图像重建？

主要发现

• 所提出的基于GAN的原始数据补全方法显著减少了有限角度CT重建中的条纹伪影与截断伪影。
• 使用补全后原始数据重建的图像在结构相似性方面表现更优，且噪声水平低于传统FBP与SART方法。
• 该方法使60°扫描角度下的可行图像重建成为可能，而在此角度下传统方法通常失效。
• 定量评估证实，基于GAN的方法在图像质量指标上优于基线方法，尽管具体数值在所提供文本中未列出。