[论文解读] Extreme Few-view CT Reconstruction using Deep Inference

Hyojin Kim, Rushil Anirudh+2 more|arXiv (Cornell University)|Oct 11, 2019

Medical Imaging Techniques and Applications参考文献 11被引用 4

一句话总结

该论文提出了一种两阶段深度学习方法，用于极端少视角CT重建，结合基于CNN的推理网络从稀疏反投影图数据中生成初始图像先验，随后通过基于RLS的迭代重建方法实现数据一致性。该方法显著减少了伪影和噪声，在6–18视角下优于FBP、RLS和反投影图补全方法，PSNR提升最高达4.5 dB，SSIM提升超过0.15。

ABSTRACT

Reconstruction of few-view x-ray Computed Tomography (CT) data is a highly ill-posed problem. It is often used in applications that require low radiation dose in clinical CT, rapid industrial scanning, or fixed-gantry CT. Existing analytic or iterative algorithms generally produce poorly reconstructed images, severely deteriorated by artifacts and noise, especially when the number of x-ray projections is considerably low. This paper presents a deep network-driven approach to address extreme few-view CT by incorporating convolutional neural network-based inference into state-of-the-art iterative reconstruction. The proposed method interprets few-view sinogram data using attention-based deep networks to infer the reconstructed image. The predicted image is then used as prior knowledge in the iterative algorithm for final reconstruction. We demonstrate effectiveness of the proposed approach by performing reconstruction experiments on a chest CT dataset.

研究动机与目标

• 为解决少视角CT重建中极端不适定的问题，传统方法会产生严重伪影和噪声。
• 通过利用深度学习进行先验估计，提升低剂量或快速扫描场景下的图像质量。
• 通过在迭代重建框架中整合CNN预测的图像作为先验，确保数据一致性。
• 在极端少视角设置（如6–18视角）下，超越现有解析方法与基于深度学习的方法。
• 展示在低采样条件下，感知图像先验与基于物理的正则化相结合的有效性。

提出的方法

• 采用基于CNN的推理模型，源自CT-Net，通过一维至二维卷积层，直接从少视角反投影图数据中预测重建图像。
• 训练损失函数结合L2损失、SSIM（权重0.7）以及对抗性损失，以提升感知质量和结构保真度。
• 将预测图像用作正则化最小二乘法（RLS）迭代算法的初始猜测，以确保与测量反投影图的数据一致性。
• RLS公式最小化 ||y - Ax||² + βR(x)，其中R(x)为总变差正则化项，β通过经验设定为2e-2。
• 该方法采用非负约束，并运行100次迭代以实现收敛，从而改善边缘保持与高频成分恢复。
• 在下采样至128×128的胸部CT数据集上评估该框架，通过前向投影生成3–18视角的反投影图。

实验结果

研究问题

• RQ1 基于深度CNN的推理模型能否从未极度稀疏的反投影图数据中生成高质量的初始图像先验？
• RQ2 在迭代重建框架中使用学习得到的图像先验，是否能相比标准迭代方法显著提升图像质量？
• RQ3 在极低视角数下，该方法与FBP、RLS及反投影图补全方法相比，在PSNR和SSIM指标上的表现如何？
• RQ4 感知学习与基于物理的正则化相结合，在少视角CT中在多大程度上可减少伪影与噪声？
• RQ5 即使仅使用6–18次投影，该方法是否仍能保持细微解剖结构与高频细节？

主要发现

• 在6视角重建中，所提方法相比基线FBP与RLS的PSNR提升最高达4.5 dB。
• 在6视角与9视角下，该方法的SSIM值均超过所有基线方法0.15以上，表明结构相似性更优。
• 在12视角时，该方法在PSNR上比RLS高出1.2 dB，在SSIM上高出0.08，表明在低采样条件下具有持续优势。
• 定性结果表明，边缘更清晰，噪声更少，且相比FBP与反投影图补全方法，对高频解剖细节的保持更佳。
• 该方法在3至18视角范围内均保持稳定性能，最大提升出现在最极端的少视角条件（如6视角）。
• 使用学习得到的图像先验显著加快了RLS框架中的收敛速度，并提升了最终重建质量。