[论文解读] Deep Neural Network Assisted Iterative Reconstruction Method for Low Dose CT

Shabab Bazrafkan, Vincent Van Nieuwenhove+3 more|arXiv (Cornell University)|Jun 3, 2019

Medical Imaging Techniques and Applications被引用 4

一句话总结

本文提出了一种混合深度学习与迭代重建的方法，用于低剂量CT成像，该方法在基于奇异值分解的迭代重建（SIRT）框架中引入深度神经网络（DNN）作为正则化项。在每次SIRT步骤后依次应用十个混合尺度密集卷积网络，该方法提升了图像质量并增强了对原始反投影图数据的保真度，在PSNR、MSE和SSIM指标上优于当前最先进的方法。

ABSTRACT

Low Dose Computed Tomography suffers from a high amount of noise and/or undersampling artefacts in the reconstructed image. In the current article, a Deep Learning technique is exploited as a regularization term for the iterative reconstruction method SIRT. While SIRT minimizes the error in the sinogram space, the proposed regularization model additionally steers intermediate SIRT reconstructions towards the desired output. Extensive evaluations demonstrate the superior outcomes of the proposed method compared to the state of the art techniques. Comparing the forward projection of the reconstructed image with the original signal shows a higher fidelity to the sinogram space for the current approach amongst other learning based methods.

研究动机与目标

• 解决因辐射剂量降低或投影数量较少导致的低剂量CT图像中的噪声与条纹伪影问题。
• 通过结合SIRT的数据一致性与DNN的结构先验学习能力，提升图像重建保真度。
• 在图像空间与反投影图空间中同时提升重建精度，克服纯学习方法的局限性。
• 研究多阶段处理中迭代重建与深度学习之间的协同行为。
• 在PSNR、MSE和SSIM等定量指标上，证明其性能优于当前最先进的方法。

提出的方法

• 该方法将SIRT（一种在反投影图空间中最小化误差的迭代重建算法）与一系列深度神经网络（DNN）在图像空间中的正则化相结合。
• 十个混合尺度密集卷积神经网络按顺序训练，每个SIRT迭代后接续一个DNN，以优化中间重建结果。
• 采用迁移学习：每个后续DNN均使用前一阶段表现最佳的模型进行初始化，从而提升训练稳定性与收敛性。
• DNN被训练为将噪声较大或质量较低的SIRT输出映射为高质量图像，学习结构先验，而无需直接监督反投影图数据。
• 在DNN输出后执行最后一次SIRT步骤，以确保反投影图空间中的数据一致性。
• 通过测试数据上的PSNR、MSE和SSIM评估框架性能，并分析每次SIRT和DNN模块后的中间结果。

实验结果

研究问题

• RQ1 深度神经网络能否有效用于正则化迭代重建，以减少低剂量CT中的噪声与条纹伪影？
• RQ2 在每次SIRT步骤后顺序集成DNN与端到端学习相比，对图像质量与反投影图保真度有何影响？
• RQ3 早期阶段的DNN在重建流程整体性能提升中的贡献程度如何？
• RQ4 与仅在图像空间中运行的现有学习方法相比，该方法是否在反投影图空间中实现了更高的重建保真度？
• RQ5 在不同噪声水平与背景强度下（尤其是高亮度区域），该方法表现如何？

主要发现

• 所提出的SIRT+DNN方法在PSNR、MSE和SSIM指标上均优于当前最先进的基于学习与基于模型的重建技术。
• 经前向投影后，该方法对原始反投影图数据的保真度更高，优于仅在图像空间中运行的其他学习方法。
• 中间结果表明，前几个DNN模块对图像质量的提升作用最大，后续阶段的改进趋于边际化。
• 该方法在背景强度超过10,000的区域能生成更精细的重建结果，优于对比模型。
• SIRT与DNN之间的协同行为明显：每次SIRT步骤提升数据一致性，每次DNN步骤增强结构与像素级精度。
• 尽管速度慢于某些替代方法，但其性能与鲁棒性表明，在现代GPU加速下具有可行性，尤其在使用噪声数据进行未来训练后，可进一步提升泛化能力。