[论文解读] Conditional Normalizing Flows for Low-Dose Computed Tomography Image Reconstruction

Alexander Denker, Maximilian Schmidt+3 more|arXiv (Cornell University)|Jun 11, 2020

Medical Imaging Techniques and Applications参考文献 25被引用 4

一句话总结

本文提出一种混合条件归一化流模型，将滤波反投影（FBP）作为条件量，从噪声测量中重建低剂量CT图像。通过利用基于流的密度估计而非最小二乘误差（MSE）最小化，该方法在保持良好PSNR表现的同时实现了最先进的结构相似性（SSIM）指标，表明其在结构保真度方面优于深度学习基线模型，即使未进行显式的MSE训练。

ABSTRACT

Image reconstruction from computed tomography (CT) measurement is a challenging statistical inverse problem since a high-dimensional conditional distribution needs to be estimated. Based on training data obtained from high-quality reconstructions, we aim to learn a conditional density of images from noisy low-dose CT measurements. To tackle this problem, we propose a hybrid conditional normalizing flow, which integrates the physical model by using the filtered back-projection as conditioner. We evaluate our approach on a low-dose CT benchmark and demonstrate superior performance in terms of structural similarity of our flow-based method compared to other deep learning based approaches.

研究动机与目标

• 在统计逆问题框架下解决从低剂量、噪声测量中重建高质量CT图像的挑战。
• 克服基于MSE的深度学习方法在CT重建中无法捕捉复杂非独立同分布（non-i.i.d.）噪声与伪影结构的局限性。
• 开发一种条件密度估计器，利用基于流的生成建模方法对低剂量CT的高维后验分布 $ p(x|y^\delta) $ 进行建模。
• 通过FBP的物理模型信息（即CT前向模型）融入条件机制，以提升样本质量与泛化能力。
• 证明基于流的似然优化相比MSE训练在结构保真度方面表现更优，尤其体现在SSIM指标上。

提出的方法

• 提出一种条件归一化流（cNF），利用具有耦合层的可逆神经网络对后验分布 $ p(x|y^\delta) $ 进行建模。
• 将低剂量测量的滤波反投影（FBP）结果作为条件输入，以引入物理一致性并降低分布复杂度。
• 采用多尺度RealNVP类似架构，每尺度包含6个耦合层，随后通过Haar小波下采样与可逆1x1卷积实现特征置换。
• 采用端到端最大似然估计，对给定低剂量测量下真实图像的对数似然进行训练。
• 通过共享编码器网络将流模型条件化于FBP输出，使模型能够学习对FBP重建结果的残差校正。
• 通过从学习到的流分布中进行蒙特卡洛采样，估计条件均值以生成最终重建结果。

实验结果

研究问题

• RQ1 条件归一化流能否有效建模低剂量CT重建中复杂且非高斯的后验分布？
• RQ2 将物理性FBP重建作为条件量，是否能提升基于流的CT重建在质量与稳定性方面相较于端到端学习模型的表现？
• RQ3 在结构图像质量指标（如SSIM）方面，归一化流中的似然训练与MSE优化相比有何差异？
• RQ4 基于流的模型是否能比标准深度学习基线更好地捕捉低剂量CT数据中的结构依赖性与伪影？
• RQ5 当后验分布为单峰时，基于流的后验条件均值是否是一种稳健且高质量的重建策略？

主要发现

• 所提出的cNF模型在LoDoPaB-CT数据集上实现了0.88的测试SSIM，优于所有其他深度学习与传统方法，包括FBP + U-Net与学习型迭代算法。
• 尽管未以最小化MSE为目标进行训练，该模型仍达到了35.68的PSNR，与最先进的MSE优化模型（如FBP + U-Net与学习型PD）相当。
• 随着用于计算条件均值的蒙特卡洛采样数量增加，PSNR与SSIM均持续提升，表明模型的不确定性估计具有实际意义，且样本质量随采样次数增加而改善。
• 该模型在SSIM上的优异表现证实，基于似然的训练比MSE优化更能捕捉图像的结构特性，后者往往更偏向像素级精度而非感知质量。
• 将FBP作为条件量的集成使流模型能够专注于学习残差校正，从而在低剂量CT基准上实现更快收敛与更优泛化能力。
• 结果表明，对于似然复杂且非高斯的统计逆问题，基于流的模型尤为适用，特别是在伪影与噪声依赖关系非i.i.d.时。