[论文解读] Dual-domain Attention-based Deep Network for Sparse-view CT Artifact Reduction

Xiang Gao, Ting Su+8 more|arXiv (Cornell University)|Mar 17, 2022

Medical Imaging Techniques and Applications被引用 4

一句话总结

该论文提出DDANet，一种端到端的基于双域注意力的深度学习网络，通过联合处理CT图像和反投影图（sinograms）来减少低剂量、有限角度CT重建中的条纹伪影。通过一种专门设计的注意力模块融合来自两个域的特征，DDANet在无需在真实数据上微调的情况下，在数值模拟、体模和活体实验中均优于当前最先进方法，显著抑制伪影并保持结构完整性。

ABSTRACT

Due to the wide applications of X-ray computed tomography (CT) in medical imaging activities, radiation exposure has become a major concern for public health. Sparse-view CT is a promising approach to reduce the radiation dose by down-sampling the total number of acquired projections. However, the CT images reconstructed by this sparse-view imaging approach suffer from severe streaking artifacts and structural information loss. In this work, an end-to-end dual-domain attention-based deep network (DDANet) is proposed to solve such an ill-posed CT image reconstruction problem. The image-domain CT image and the projection-domain sinogram are put into the two parallel sub-networks of the DDANet to independently extract the distinct high-level feature maps. In addition, a specified attention module is introduced to fuse the aforementioned dual-domain feature maps to allow complementary optimizations of removing the streaking artifacts and mitigating the loss of structure. Numerical simulations, anthropomorphic thorax phantom and in vivo pre-clinical experiments are conducted to verify the sparse-view CT imaging performance of the DDANet. Results demonstrate that this newly developed approach is able to robustly remove the streaking artifacts while maintaining the fine structures. As a result, the DDANet provides a promising solution in achieving high quality sparse-view CT imaging.

研究动机与目标

• 为解决因投影数据减少而导致的严重条纹伪影和结构损失问题，该问题限制了低剂量成像的应用。
• 克服仅处理图像或反投影图数据的单域深度学习方法的局限性。
• 开发一种双域网络，利用图像域和投影域之间的互补信息以提升重建质量。
• 设计一种注意力机制，有效融合来自两个域的多层次特征，以增强伪影去除和结构保真度。
• 在多样化数据集（数值模拟、人体体模和活体前临床实验）上验证该方法，且无需在真实数据上微调。

提出的方法

• 采用双分支U-Net架构，以并行方式从CT图像域和反投影图域提取高层特征。
• 反投影图域分支采用全连接层后接空洞空间金字塔池化（ASPP）模块，以捕捉多感受野上下文信息。
• 提出一种新型双域注意力模块，融合两个分支的特征，实现伪影抑制与结构保持的互补优化。
• 在两个子网络中应用空洞卷积，以扩展感受野并增强特征表示能力。
• 通过结合L1损失和感知损失的损失函数，实现端到端训练，以保留结构细节并减少伪影。
• 通过全连接层实现反投影图与图像空间之间的域转换，以对齐跨域特征。

实验结果

研究问题

• RQ1 是否能够通过联合处理CT图像和反投影图的双域深度学习框架，在有限角度CT中显著优于单域方法，以减少条纹伪影？
• RQ2 基于注意力的特征融合机制在结合图像域与投影域的互补信息以提升重建质量方面，效果如何？
• RQ3 在低剂量、有限角度CT成像中，DDANet是否能在抑制伪影的同时保持精细解剖结构？
• RQ4 在数值模拟数据上训练的DDANet模型，直接应用于真实体模和活体实验数据时，其泛化能力如何？
• RQ5 与传统迭代方法和深度学习方法相比，双域注意力机制是否能提升图像分辨率和调制传递函数（MTF）？

主要发现

• DDANet在所有测试模态（数值模拟、人体胸廓体模和活体猴头扫描）中显著减少了有限角度CT重建中的条纹伪影，优于FBP、TV及其他深度学习基线方法。
• 在视觉对比中，DDANet比TV和FrameUnet等方法更好地保留了精细结构细节，后者虽减少伪影但导致图像更模糊。
• 定量调制传递函数（MTF）分析表明，DDANet的空间分辨率高于FBP和TV，仅略低于全角度FBP，表明其对高频细节的保持能力极强。
• 该网络在真实实验数据上表现稳健，无需微调，证明了其从模拟训练数据到真实数据的强泛化能力。
• 消融实验验证了双域注意力模块的有效性，以及ASPP和空洞卷积等各组件对整体性能的贡献。
• 在所有评估设置中，该方法在视觉质量与定量指标（如SSIM、PSNR、RMSE）方面均表现出一致的优越性。