[论文解读] Comparison of projection domain, image domain, and comprehensive deep learning for sparse-view X-ray CT image reconstruction

Kaichao Liang, Hongkai Yang+1 more|arXiv (Cornell University)|Apr 12, 2018

Medical Imaging Techniques and Applications参考文献 21被引用 21

一句话总结

本研究比较了用于稀疏视角X射线CT重建的深度学习方法——投影域、图像域以及综合混合网络——表明在两个域中结合学习可显著提升图像质量并减少伪影。综合网络在72视角重建中实现了最低的RRMSE（0.0474）和最高的SSIM（0.9978），显著优于FBP和单域方法。

ABSTRACT

X-ray Computed Tomography (CT) imaging has been widely used in clinical diagnosis, non-destructive examination, and public safety inspection. Sparse-view (sparse view) CT has great potential in radiation dose reduction and scan acceleration. However, sparse view CT data is insufficient and traditional reconstruction results in severe streaking artifacts. In this work, based on deep learning, we compared image reconstruction performance for sparse view CT reconstruction with projection domain network, image domain network, and comprehensive network combining projection and image domains. Our study is executed with numerical simulated projection of CT images from real scans. Results demonstrated deep learning networks can effectively reconstruct rich high frequency structural information without streaking artefact commonly seen in sparse view CT. A comprehensive network combining deep learning in both projection domain and image domain can get best results.

研究动机与目标

• 评估并比较基于深度学习的重建方法在稀疏视角X射线CT中于投影域、图像域及综合混合域的表现。
• 探究在投影域和图像域中同时集成深度学习是否相比单域方法能提升重建质量。
• 评估在深度学习框架中将解析FBP作为可微分层集成的端到端训练的有效性。
• 量化深度学习在减少条状伪影、提升结构相似性及重建精度方面的效果。
• 为未来基于深度学习的CT重建方法开发提供基准，采用真实胸部CT体素模型和定量指标。

提出的方法

• 提出一种基于Res-CNN架构的投影域网络，用于从稀疏视角数据中估计缺失的投影。
• 设计一种基于U-Net架构的图像域网络，用于校正稀疏数据经FBP重建后的图像伪影。
• 开发一种综合网络，结合投影估计与图像域去噪，并将FBP作为可微分层嵌入其中。
• 将解析FBP作为可微分层，以实现从投影到图像转换过程中的端到端反向传播。
• 使用重建图像上的L2损失进行网络训练，梯度通过系统矩阵和FBP算子反向传播。
• 在来自真实胸部CT体素模型的数值模拟中，采用不同视角稀疏度（45和72视角）评估性能，指标为RRMSE和SSIM。

实验结果

研究问题

• RQ1 在稀疏视角CT中，投影域中的深度学习与图像域中的深度学习在伪影抑制和图像质量方面有何差异？
• RQ2 同时在投影域和图像域中结合深度学习是否能比单独使用任一域的方法获得更优的重建性能？
• RQ3 采用可微分FBP层的端到端训练对整体重建精度和稳定性有何影响？
• RQ4 在高稀疏度（如45视角）条件下，不同重建策略下的RRMSE和SSIM指标如何变化？
• RQ5 与单域方法相比，综合网络在不同解剖结构中是否表现出更优的鲁棒性和一致性？

主要发现

• 在72视角重建中，结合投影域与图像域学习的综合网络实现了最低的RRMSE（0.0474）和最高的SSIM（0.9978）。
• 在45视角情况下，综合网络的RRMSE为0.0677，SSIM为0.9962，显著优于FBP（RRMSE：0.2667）及其他深度学习基线方法。
• 所有深度学习方法均成功抑制了稀疏数据FBP重建中常见的条状伪影。
• 综合网络在测试集上RRMSE和SSIM的标准差最小，表明其具有更优的稳定性。
• 图像域的U-Net和投影域的估计网络均优于FBP，但混合方法提供了最一致且准确的结果。
• 将FBP作为可微分层集成，实现了有效的反向传播，并促进了跨域的特征学习。