[论文解读] Deep Convolutional Framelet Denosing for Low-Dose CT via Wavelet Residual Network

Eun‐Hee Kang, Jaejun Yoo+1 more|arXiv (Cornell University)|Jul 31, 2017

Medical Imaging Techniques and Applications参考文献 42被引用 4

一句话总结

本文提出一种基于小波残差网络（WavResNet）的深度卷积帧变换去噪方法，用于低剂量CT，结合了帧变换去噪的收敛性保证与深度学习的表达能力。通过将网络解释为多层卷积帧变换，该方法实现了迭代优化，有效抑制噪声的同时保留了精细的解剖结构纹理和病灶细节，在病灶检测和图像质量方面优于先前方法（包括MBIR和FBP）。

ABSTRACT

Model based iterative reconstruction (MBIR) algorithms for low-dose X-ray CT are computationally expensive. To address this problem, we recently proposed a deep convolutional neural network (CNN) for low-dose X-ray CT and won the second place in 2016 AAPM Low-Dose CT Grand Challenge. However, some of the texture were not fully recovered. To address this problem, here we propose a novel framelet-based denoising algorithm using wavelet residual network which synergistically combines the expressive power of deep learning and the performance guarantee from the framelet-based denoising algorithms. The new algorithms were inspired by the recent interpretation of the deep convolutional neural network (CNN) as a cascaded convolution framelet signal representation. Extensive experimental results confirm that the proposed networks have significantly improved performance and preserves the detail texture of the original images.

研究动机与目标

• 解决现有基于深度学习的低剂量CT去噪方法的局限性，这些方法通常难以恢复精细纹理，且将网络视为黑箱。
• 将基于帧变换的去噪方法的理论收敛特性与深度神经网络的表征能力相结合。
• 通过引入具有ReLU非线性的卷积帧变换，建立数学可解释的深度学习架构。
• 通过非扩张算子框架实现迭代优化，提升低剂量CT中的病灶检测能力与图像质量。
• 证明可通过选择最优帧变换表示来优化网络以适应特定恢复任务。

提出的方法

• 将深度卷积神经网络解释为具有ReLU激活函数的多层卷积帧变换实现，使网络建立在成熟的数学框架之上。
• 采用小波残差网络（WavResNet）以增强方向特征学习能力，改善低剂量CT图像中的纹理恢复。
• 网络结构采用前馈架构与类似RNN的迭代版本，二者均源自帧变换去噪框架。
• 迭代过程建模为Krasnoselski-Mann（KM）算法，在非扩张算子条件下确保收敛。
• 由于卷积滤波器有限且激活函数为ReLU，网络的雅可比矩阵有界，从而可通过非扩张性实现理论收敛证明。
• 采用冗余全局变换与拼接层以提升信号恢复能力并保留高频细节。

实验结果

研究问题

• RQ1 能否基于卷积帧变换框架，为低剂量CT中的基于深度学习的去噪方法提供理论基础？
• RQ2 将基于帧变换的迭代优化集成到深度网络中，是否能相比标准CNN更好地提升纹理与病灶的保留能力？
• RQ3 该网络能否被解释为非扩张算子，以在迭代去噪过程中保证收敛性？
• RQ4 所提出的基于WavResNet的帧变换网络与MBIR和FBP相比，在临床图像质量与病灶检测方面表现如何？
• RQ5 能否通过选择合适的帧变换表示来优化网络以适应特定恢复任务？

主要发现

• 所提方法在低剂量CT扫描中实现了73%的病灶检测率，显著优于FBP（57%）和MBIR（62%），与FBP比较的p值为0.0412。
• 视觉与定量评估均证实，该网络在保留精细解剖纹理与结构细节方面优于先前的深度学习方法。
• 理论分析证明，该迭代网络为非扩张算子，并在Krasnoselski-Mann算法下收敛，确保了优化的稳定性。
• 基于WavResNet的架构有效恢复了方向特征，并减少了低剂量CT图像中的条纹伪影。
• 该方法在2016年AAPM低剂量CT挑战赛中优于第二名解决方案，尤其在纹理恢复与病灶可见性方面表现突出。
• 大量实验表明，该网络在有效抑制噪声的同时保持了病灶信息，展现出临床相关性。