[论文解读] Deep Learning Reconstruction for 9-View Dual Energy CT Baggage Scanner

Yoseob Han, Jingu Kang+1 more|arXiv (Cornell University)|Jan 4, 2018

Medical Imaging Techniques and Applications参考文献 8被引用 7

一句话总结

本文提出了一种双域深度学习框架，结合图像域与原始图域学习，用于9视角双能静止CT行李扫描仪中的3D重建。该方法采用在真实世界稀疏视角数据上训练的改进U-Net架构，无需真实图像作为监督信号，显著减少了条状伪影，并实现了最先进性能，NMSE值在80 kVp时降低至0.06845，在120 kVp时降低至0.05450，实现了高精度的3D威胁检测。

ABSTRACT

For homeland and transportation security applications, 2D X-ray explosive detection system (EDS) have been widely used, but they have limitations in recognizing 3D shape of the hidden objects. Among various types of 3D computed tomography (CT) systems to address this issue, this paper is interested in a stationary CT using fixed X-ray sources and detectors. However, due to the limited number of projection views, analytic reconstruction algorithms produce severe streaking artifacts. Inspired by recent success of deep learning approach for sparse view CT reconstruction, here we propose a novel image and sinogram domain deep learning architecture for 3D reconstruction from very sparse view measurement. The algorithm has been tested with the real data from a prototype 9-view dual energy stationary CT EDS carry-on baggage scanner developed by GEMSS Medical Systems, Korea, which confirms the superior reconstruction performance over the existing approaches.

研究动机与目标

• 解决在静止CT行李扫描仪中仅使用9个投影视角进行3D重建时严重的条状伪影问题。
• 开发一种基于深度学习的重建方法，适用于真实世界稀疏视角数据，其中缺乏真实图像作为监督信号。
• 通过在图像域和原始图域中联合学习，提升3D图像质量，以实现随身行李筛查中准确的威胁检测。
• 通过端到端深度学习克服传统FBP和MBIR-TV方法在稀疏视角CT中的局限性。
• 实现适用于航空和国土安全领域连续行李筛查的实用化、实时3D重建。

提出的方法

• 提出一种新颖的深度学习架构，通过改进的U-Net结构在图像域和原始图域中联合学习。
• 采用双通道输入，分别处理双能（80 kVp和120 kVp）的图像与原始图数据，以保留能量相关的对比度特征。
• 使用带有批量归一化和ReLU激活函数的卷积层，并结合跳跃连接实现特征融合。
• 采用随机梯度下降进行网络训练，学习率在200个周期内从10⁻³逐步衰减至10⁻⁵。
• 利用卷积帧态理论，通过网络结构隐式建模正则化，避免显式设计线性算子。
• 在重建后执行前向投影，以在原始图域中计算NMSE，用于定量评估。

实验结果

研究问题

• RQ1 深度学习模型能否在真实世界静止CT行李扫描仪中，仅基于9个投影视角有效重建出高质量的3D CT图像？
• RQ2 与单域方法相比，图像域与原始图域的联合学习在多大程度上提升了重建质量？
• RQ3 在仅使用真实测量数据而无真实图像作为监督信号的情况下，深度学习模型能否实现优越性能？
• RQ4 与FBP和MBIR-TV方法相比，所提出方法在多大程度上减少了条状伪影？
• RQ5 在原始图域中，以NMSE为度量指标，网络性能在定量上表现如何？

主要发现

• 所提方法在原始图域中实现了最低的归一化均方误差（NMSE），在80 kVp时为0.06845，在120 kVp时为0.05450，优于FBP、MBIR-TV及仅在图像域训练的CNN基线方法。
• 3D渲染结果清晰识别出手榴弹和刀具等威胁物体，这些物体在FBP和MBIR重建中被遮挡或未被检测到。
• 原始图可视化显示，所提方法的投影数据与实测真实数据高度吻合，特别是在对应威胁物体的区域。
• 网络成功减少了条状伪影，并在简单物体和真实随身行李包中均恢复了精细结构细节。
• 该方法可基于真实9视角数据实现高质量3D重建，证明了其在实时行李筛查系统中的实际可行性。
• 训练过程中缺乏真实图像并未影响性能，因为模型仅通过真实测量数据即学习到了有效的表征。