[论文解读] Deep Learning Interior Tomography for Region-of-Interest Reconstruction

Yoseob Han, Jawook Gu+1 more|arXiv (Cornell University)|Dec 29, 2017

Medical Imaging Techniques and Applications参考文献 12被引用 19

一句话总结

本文提出了一种用于锥束CT内照射重建的深度学习框架，结合滤波反投影（FBP）与基于U-Net的卷积神经网络，以抑制由截断Radon变换零空间引起的杯状伪影。通过可学习的网络架构施加零空间约束，该方法在区域感兴趣（ROI）重建中实现了接近完美的性能，相比最先进方法提升7–10 dB的PSNR，且重建速度比TV方法快34倍。

ABSTRACT

Interior tomography for the region-of-interest (ROI) imaging has advantages of using a small detector and reducing X-ray radiation dose. However, standard analytic reconstruction suffers from severe cupping artifacts due to existence of null space in the truncated Radon transform. Existing penalized reconstruction methods may address this problem but they require extensive computations due to the iterative reconstruction. Inspired by the recent deep learning approaches to low-dose and sparse view CT, here we propose a deep learning architecture that removes null space signals from the FBP reconstruction. Experimental results have shown that the proposed method provides near-perfect reconstruction with about 7-10 dB improvement in PSNR over existing methods in spite of significantly reduced run-time complexity.

研究动机与目标

• 解决由截断Radon变换零空间引起的内照射重建中严重的杯状伪影问题。
• 克服如TV和L-spline正则化等迭代惩罚重建方法带来的高计算成本。
• 开发一种快速、端到端的深度学习架构，以在区域感兴趣（ROI）CT重建中保持细微结构和高频特征。
• 验证深度学习能够有效学习并抑制零空间分量，而不会引入人工结构。
• 与现有分析方法和迭代方法相比，实现更优的图像质量和更快的重建速度。

提出的方法

• 该方法采用两阶段架构：首先对截断的反投影图应用FBP，生成初始含伪影的图像。
• 采用带有跳跃连接、批量归一化和3×3卷积的改进型U-Net，对FBP输出进行优化，以抑制零空间伪影。
• 网络通过端到端训练，结合数据保真度损失，其归纳偏差和网络结构隐式地施加了零空间约束。
• 编码器-解码器结构学习分层特征，通过平均池化和反池化操作下采样和上采样特征图，同时保持空间分辨率。
• 最终输出通过1×1卷积层生成高质量的ROI重建图像。
• 训练使用Low-Dose CT Grand Challenge数据集，训练300个周期，采用Adam优化算法，并设置从10⁻³到10⁻⁵的学习率调度。

实验结果

研究问题

• RQ1 深度学习模型是否能在不依赖迭代优化的情况下，有效抑制内照射重建中的零空间伪影？
• RQ2 所提出的架构是否在保留边缘和纹理等高频细节方面优于现有方法？
• RQ3 与分析方法和惩罚迭代方法相比，深度学习模型在PSNR和NMSE指标上能实现多接近完美的重建？
• RQ4 在临床环境中，该方法的计算效率与基于TV和L-spline的迭代方法相比如何？
• RQ5 深度网络是否能通过其架构和训练过程隐式学习零空间约束，从而避免显式零空间投影的需要？

主要发现

• 所提方法的PSNR达到37.46 dB，相比FBP（9.41 dB）、TV（30.20 dB）和Lee等人提出的L-spline方法（27.03 dB）提升7–10 dB。
• NMSE降低至1.2994×10⁻³，为所有方法中最低，表明重建精度更优。
• 该方法比基于TV的方法快34倍（每切片0.0532秒 vs. 1.8272秒），比L-spline方法快6倍（0.3438秒）。
• 横断面剖面图和误差图表明，该方法能更好地恢复细微结构和高频分量，如边缘和纹理。
• 网络成功抑制了杯状伪影和零空间信号，同时保持了解剖结构的完整性，重建结果中未观察到人工结构。
• 结果验证了深度网络通过其编码器-解码器架构和数据驱动优化，有效学习了零空间约束。