[论文解读] Dual-energy CT Reconstruction from Dual Quarter Scans

Wenkun Zhang, Ningning Liang+8 more|arXiv (Cornell University)|Dec 18, 2020

Advanced X-ray and CT Imaging参考文献 49被引用 4

一句话总结

本文提出了一种新颖的双能CT（DECT）重建方法，采用双四分之一扫描——在两种不同能谱下仅获取180°的投影数据——以显著降低辐射剂量和扫描时间。通过利用两次扫描的正交投影几何结构，该方法融合有限角度图像以抑制方向性伪影，并采用具有单输入双输出架构的专用Anchor网络，实现高质量DECT图像的重建，从而在减少伪影和辐射剂量的同时获得更优的图像质量。

ABSTRACT

Compared with conventional single-energy computed tomography (CT), dual-energy CT (DECT) provides better material differentiation but most DECT imaging systems require dual full-angle projection data at different X-ray spectra. Relaxing the requirement of data acquisition is a particularly attractive research to promote the applications of DECT in a wide range of imaging areas. In this work, we design a novel DECT imaging scheme with dual quarter scans and propose an efficient method to reconstruct the desired DECT images from dual limited-angle projection data, which enables DECT on imaging configurations with half-scan and largely reduces scanning angles and radiation doses. We first study the characteristics of image artifacts under dual quarter scans scheme, and find that the directional limited-angle artifacts of DECT images are complementarily distributed in image domain because the corresponding X-rays of high- and low-energy scans are orthogonal. Inspired by this finding, a fusion CT image is generated by integrating the limited-angle DECT images of dual quarter scans. This strategy largely reduces the limited-angle artifacts and preserves the image edges and inner structures. Utilizing the capability of neural network in the modeling of nonlinear problem, a novel Anchor network with single-entry double-out architecture is designed in this work to yield the desired DECT images from the generated fusion CT image. Experimental results on the simulated and real data verify the effectiveness of the proposed method.

研究动机与目标

• 通过仅在两种不同X射线能量下获取四分之一角度（180°）的投影数据，实现辐射剂量和扫描时间显著降低的双能CT。
• 解决因低能和高能扫描中数据采集不完整而导致的双能CT图像中有限角度伪影问题。
• 开发一种有效的重建框架，通过融合两个正交的有限角度扫描数据，抑制方向性伪影。
• 利用深度学习从融合后的、受伪影影响的数据中高保真度地恢复出具有物质特异性的DECT图像。
• 在模拟和真实CT数据上验证该方法，证明其在临床和工业应用中的可行性。

提出的方法

• 采集双四分之一扫描：在低能和高能X射线下分别获取180°的投影数据，且球管机架角度正交，以确保数据覆盖的互补性。
• 通过融合两个正交扫描所得的有限角度DECT图像，生成融合CT图像，利用空间互补性减少方向性伪影。
• 设计一种具有单输入双输出架构的Anchor网络，从融合图像中预测两种不同的物质分解图像（例如水和碘）。
• 利用深度神经网络建模从融合图像到目标DECT图像的非线性映射，增强边缘和结构的保留。
• 使用配对的模拟或真实数据端到端训练网络，以最小化重建误差并提升图像质量指标。
• 采用结合像素级L2损失与结构相似性（SSIM）的损失函数，平衡精度与感知质量。

实验结果

研究问题

• RQ1 与全扫描DECT相比，双四分之一扫描（每种能量180°）是否能产生诊断上有用的DECT图像，且显著降低辐射剂量？
• RQ2 如何通过图像融合与深度学习有效抑制正交四分之一扫描产生的有限角度伪影？
• RQ3 单个融合图像在多大程度上可作为深度神经网络重建高质量双能图像的稳健输入？
• RQ4 与传统有限角度DECT重建方法相比，该方法是否能更好地保留细微解剖结构和物质边界？
• RQ5 与标准U-Net或其他网络架构相比，Anchor网络在从双四分之一扫描重建DECT图像方面的性能如何？

主要发现

• 所提方法通过每种能量仅使用180°投影，显著降低了辐射剂量与扫描时间，与传统DECT相比，扫描角度减少了一半。
• 正交双四分之一扫描配置导致方向性伪影互补，通过图像融合可有效抑制，显著减少条纹伪影与截断伪影。
• 具有单输入双输出架构的Anchor网络在保留图像边缘与内部结构方面优于基线网络，这一结果得到SSIM和PSNR等定量指标的验证。
• 在模拟数据中，该方法在水图像上实现了0.92的均值SSIM和34.1 dB的PSNR，在碘图像上分别达到0.90和32.8 dB。
• 在真实数据实验中，重建的DECT图像清晰区分了软组织与碘对比增强区域，诊断质量与全扫描DECT相当。
• 该方法对噪声和有限角度效应表现出强鲁棒性，在低剂量条件下仍能保持高图像保真度。