[论文解读] DECT-MULTRA: Dual-Energy CT Image Decomposition With Learned Mixed Material Models and Efficient Clustering

Zhipeng Li, Saiprasad Ravishankar+2 more|arXiv (Cornell University)|Jan 1, 2019

Advanced X-ray and CT Imaging参考文献 26被引用 4

一句话总结

本文提出了一种新型的图像域双能量CT分解方法——DECT-MULTRA，该方法结合了加权最小二乘惩罚（PWLS）与学习得到的稀疏变换混合并集（MULTRA），以提升物质图像质量。通过预先学习的共性物质与跨物质变换，该方法实现了高效且闭式求解的优化，有效降低噪声与伪影，同时保留边缘和细微结构，在XCAT体模和临床头颈部数据上均优于现有方法。

ABSTRACT

Dual energy computed tomography (DECT) imaging plays an important role in advanced imaging applications due to its material decomposition capability. Image-domain decomposition operates directly on CT images using linear matrix inversion, but the decomposed material images can be severely degraded by noise and artifacts. This paper proposes a new method dubbed DECT-MULTRA for image-domain DECT material decomposition that combines conventional penalized weighted-least squares (PWLS) estimation with regularization based on a mixed union of learned transforms (MULTRA) model. Our proposed approach pre-learns a union of common-material sparsifying transforms from patches extracted from all the basis materials, and a union of cross-material sparsifying transforms from multi-material patches. The common-material transforms capture the common properties among different material images, while the cross-material transforms capture the cross-dependencies. The proposed PWLS formulation is optimized efficiently by alternating between an image update step and a sparse coding and clustering step, with both of these steps having closed-form solutions. The effectiveness of our method is validated with both XCAT phantom and clinical head data. The results demonstrate that our proposed method provides superior material image quality and decomposition accuracy compared to other competing methods.

研究动机与目标

• 为解决传统图像域DECT分解方法因对图像噪声敏感而导致噪声放大与伪影的问题。
• 通过从物质图像块中引入学习到的先验知识，提升物质分解的准确度与图像质量。
• 开发一种计算高效的算法，结合基于稀疏性的正则化与图像块到最优稀疏变换的自适应聚类。
• 将基于体模数据训练的MULTRA模型泛化至真实临床DECT数据，验证其鲁棒性与可迁移性。
• 在噪声抑制与边缘保留方面，优于现有最先进方法如DECT-EP、DECT-TDL与DECT-ST。

提出的方法

• 该方法采用加权最小二乘惩罚（PWLS）公式进行图像域DECT分解，通过学习得到的稀疏变换混合并集（MULTRA）实现正则化。
• 共性物质稀疏变换从单个基底物质（如水、骨）的图像块中预先学习，以捕捉不同物质图像间的共享结构特性。
• 跨物质稀疏变换从多物质图像块中学习，以建模不同物质之间的相互依赖关系。
• 在优化过程中，通过聚类将图像块自适应分配至最佳匹配的稀疏变换，实现灵活且数据驱动的稀疏表示。
• 优化过程交替执行图像更新步骤与稀疏编码及聚类步骤，两者均具有闭式解，确保计算效率。
• 该方法初始值采用直接矩阵求逆法，随后利用DECT-EP与DECT-TDL结果进行进一步优化，提升收敛性与稳定性。

实验结果

研究问题

• RQ1 学习得到的稀疏变换混合并集是否能有效建模DECT图像分解中的共性物质与跨物质依赖关系？
• RQ2 与非自适应方法及字典基方法相比，基于MULTRA的正则化是否显著降低图像域DECT中的噪声与伪影？
• RQ3 在数字体模上预训练的模型是否无需微调即可有效泛化至真实临床DECT数据？
• RQ4 DECT-MULTRA在保留微小解剖结构（如小血管与骨髓细节）方面，与DECT-EP、DECT-TDL与DECT-ST相比表现如何？
• RQ5 该方法是否能在保持对图像噪声鲁棒性的同时，以低计算成本实现高质量分解？

主要发现

• 与直接矩阵求逆法及DECT-EP相比，DECT-MULTRA在低对比度区域显著降低了物质边界处的噪声与伪影。
• 该方法成功保留了水图像中对应稀释碘剂血管的微小暗点，而DECT-EP与直接矩阵求逆法未能识别该结构。
• 在临床数据的放大区域中，DECT-MULTRA在软组织结构（如骨髓）中表现出更锐利的边缘，优于DECT-TDL。
• 在XCAT体模上训练的MULTRA模型可良好泛化至临床头颈部DECT数据，展现出强大的可迁移性与鲁棒性。
• 定量评估显示，DECT-MULTRA在噪声抑制与结构保留方面均优于DECT-EP、DECT-TDL与DECT-ST，且分解精度更优。
• 闭式优化步骤实现了高效计算，使该方法即使在先进的正则化框架下，仍适合实际临床部署。