[论文解读] Deconvolution-Based Backproject-Filter (BPF) Computed Tomography Image Reconstruction Method Using Deep Learning Technique

Yongshuai Ge, Qiyang Zhang+5 more|arXiv (Cornell University)|Jul 5, 2018

Medical Imaging Techniques and Applications参考文献 4被引用 10

一句话总结

本文提出了一种基于深度学习的背投影-滤波（BPF）计算机断层扫描（CT）图像重建新方法，利用卷积神经网络（CNN）直接将高度模糊的层状图（laminograms）反卷积为高分辨率、低噪声的CT图像。与传统的滤波反投影（FBP）方法相比，该图像域BPF方法在保持相近空间分辨率的同时，实现了高达20%的噪声降低，为临床CT扫描中的辐射剂量减少提供了可能。

ABSTRACT

For conventional computed tomography (CT) image reconstruction tasks, the most popular method is the so-called filtered-back-projection (FBP) algorithm. In it, the acquired Radon projections are usually filtered first by a ramp kernel before back-projected to generate CT images. In this work, as a contrary, we realized the idea of image-domain backproject-filter (BPF) CT image reconstruction using the deep learning techniques for the first time. With a properly designed convolutional neural network (CNN), preliminary results demonstrate that it is feasible to reconstruct CT images with maintained high spatial resolution and accurate pixel values from the highly blurred back-projection image, i.e., laminogram. In addition, experimental results also show that this deconvolution-based CT image reconstruction network has the potential to reduce CT image noise (up to 20%), indicating that patient radiation dose may be reduced. Due to these advantages, this proposed CNN-based image-domain BPF type CT image reconstruction scheme provides promising prospects in generating high spatial resolution, low-noise CT images for future clinical applications.

研究动机与目标

• 研究利用深度学习在背投影-滤波（BPF）CT图像重建框架中实现图像域反卷积的可行性。
• 克服BPF方法历史上存在的局限性，如计算效率低下以及由于无界反卷积核导致的空间分辨率下降。
• 开发一种基于CNN的方法，直接从模糊的层状图重建高质量CT图像，跳过传统对投影图的滤波处理。
• 评估该方法在临床CT应用中实现噪声降低与剂量优化的潜力。
• 通过可迁移的网络设计，证明方法在不同CT几何结构和图像尺寸下的泛化能力。

提出的方法

• 训练一个卷积神经网络（CNN）在图像域对层状图——即反投影后的投影图——执行反卷积，从而恢复出清晰的CT图像。
• 通过将临床CT图像中的Hounsfield单位转换为线性衰减系数（使用经验系数0.02/mm，对应60 keV X射线束近似）生成训练数据集。
• 通过在0.50至2.00之间随机缩放图像值，应用数据增强技术，以提高对不同衰减特性的鲁棒性。
• 网络被训练将512×512的模糊层状图映射为对应高分辨率、低噪声的CT图像，输入/输出尺寸固定。
• 在反卷积阶段，该方法与CT几何结构无关，只要层状图正确生成，即可推广至不同成像设置。
• 使用临床CT数据和数字体模对框架进行验证，并与传统FBP及无噪声重建方法进行性能对比。

实验结果

研究问题

• RQ1 深度学习模型是否能有效在图像域将模糊的层状图反卷积为高分辨率CT图像？
• RQ2 所提出的基于CNN的BPF方法是否在保持与传统FBP相当的空间分辨率的同时，降低图像噪声？
• RQ3 训练好的CNN是否能泛化至不同的CT成像几何结构和衰减特性？
• RQ4 该方法在通过噪声抑制实现患者辐射剂量降低方面具有多大潜力？
• RQ5 CNN重建图像的噪声功率谱（NPS）与FBP重建图像相比如何？

主要发现

• 所提出的基于CNN的BPF方法成功从模糊层状图中重建出高分辨率CT图像，且保持了清晰的空间细节。
• 即使在仅使用无噪声数据进行训练的情况下，该方法相比传统FBP仍可将图像噪声降低高达20%，表明其具有强大的噪声抑制潜力。
• CNN重建图像中的噪声纹理与FBP图像高度一致，表明其与临床噪声感知及图像质量指标具有良好的兼容性。
• 训练好的CNN在不同CT几何结构间表现出良好的泛化能力，因为反卷积网络与成像几何参数无关。
• 当为不同矩阵尺寸重新训练时，该方法在各种图像尺寸下均保持一致的性能表现，尽管当前实现固定为512×512。
• 初步结果表明，未来若在含噪声数据集上进行训练，将进一步提升噪声抑制与伪影抑制能力，支持ALARA（合理可行的最低剂量）剂量策略。