[论文解读] Data Consistent Artifact Reduction for Limited Angle Tomography with Deep Learning Prior

Yixing Huang, Alexander Preuhs+4 more|arXiv (Cornell University)|Aug 19, 2019

Medical Imaging Techniques and Applications参考文献 29被引用 6

一句话总结

本文提出了一种用于有限角度锥形束CT的数据一致性伪影抑制（DCAR）方法，该方法将深度学习先验与迭代重建相结合以实现数据一致性。通过使用U-Net为缺失的角向范围生成先验图像，并结合总变差正则化的数据一致性SART算法，DCAR在无噪声条件下相比最先进U-Net方法将RMSE降低超过10%，在有噪声条件下降低24%以上。

ABSTRACT

Robustness of deep learning methods for limited angle tomography is challenged by two major factors: a) due to insufficient training data the network may not generalize well to unseen data; b) deep learning methods are sensitive to noise. Thus, generating reconstructed images directly from a neural network appears inadequate. We propose to constrain the reconstructed images to be consistent with the measured projection data, while the unmeasured information is complemented by learning based methods. For this purpose, a data consistent artifact reduction (DCAR) method is introduced: First, a prior image is generated from an initial limited angle reconstruction via deep learning as a substitute for missing information. Afterwards, a conventional iterative reconstruction algorithm is applied, integrating the data consistency in the measured angular range and the prior information in the missing angular range. This ensures data integrity in the measured area, while inaccuracies incorporated by the deep learning prior lie only in areas where no information is acquired. The proposed DCAR method achieves significant image quality improvement: for 120-degree cone-beam limited angle tomography more than 10% RMSE reduction in noise-free case and more than 24% RMSE reduction in noisy case compared with a state-of-the-art U-Net based method.

研究动机与目标

• 解决基于深度学习的有限角度CT重建方法泛化能力差和对噪声敏感的问题。
• 克服直接图像到图像的深度学习网络缺乏与测量投影数据一致性的局限性。
• 仅在缺失角向范围内整合深度学习先验，同时在测量区域强制执行数据一致性，以提升图像质量。
• 通过结合学习先验与传统迭代重建的混合模型，增强对泊松噪声和未见数据的鲁棒性。
• 在无噪声和有噪声的有限角度断层扫描中，相比最先进U-Net方法，实现更优的重建质量。

提出的方法

• 在有限角度FBP重建图像上训练U-Net，以生成估计未获取角向范围中缺失结构信息的先验图像。
• 应用基于SART的传统迭代重建算法，以在获取的角向范围内强制实现与测量投影数据的一致性。
• 将U-Net生成的先验图像整合到重建过程中，以指导缺失角向范围内的解算。
• 在SART算法中使用总变差正则化（wTV）和软阈值化以抑制噪声并保持边缘。
• 确保最终重建图像与测量投影一致，同时最小化由不准确的深度学习预测引起的伪影。
• 通过在迭代框架中交替执行数据一致性强制和基于先验的图像更新来优化重建。

实验结果

研究问题

• RQ1 当与数据一致性约束结合时，深度学习先验是否能提升有限角度断层扫描中的图像质量？
• RQ2 通过与测量投影强制保持数据一致性，如何影响基于深度学习重建对噪声的鲁棒性？
• RQ3 与端到端深度学习网络相比，所提出方法在未见患者数据上的泛化能力如何？
• RQ4 将先验学习（在缺失角度）与数据一致性（在测量角度）分离，是否相比直接图像到图像学习能更有效地减少伪影和噪声？
• RQ5 在低剂量CT中典型的现实泊松噪声条件下，该方法表现如何？

主要发现

• 在无噪声的120°锥形束有限角度断层扫描情况下，DCAR相比U-Net方法将RMSE降低超过10%。
• 在存在泊松噪声的情况下，DCAR相比U-Net基线实现了超过24%的相对RMSE降低。
• 该方法成功消除了重建图像中的泊松噪声，视觉对比中未见噪声模式。
• 细小结构（如小腔隙和低对比组织，例如脂肪和肌肉）在DCAR重建中比在U-Net输出中得到更好的保留。
• U-Net重建中观察到的暗区和结构失真，通过DCAR中的数据一致性强制被有效纠正。
• 该混合方法在未见患者数据上表现出更优的泛化能力，跨验证中在多位测试患者上均保持一致的性能。