[论文解读] Generative Adversarial Network-Based Sinogram Super-Resolution for Computed Tomography Imaging

Chao Tang, Wenkun Zhang+5 more|arXiv (Cornell University)|Aug 6, 2020

Advanced Image Processing Techniques参考文献 40被引用 4

一句话总结

该论文提出一种生成对抗网络（SSR-GAN），用于提升CT成像中2×2探测器采集模式下的低分辨率纹影图，采用残差生成器和相对判别器，并结合多损失监督。该方法通过生成高分辨率纹影图显著提升了重建图像质量，在数字数据和真实数据上均优于现有方法。

ABSTRACT

Compared with the conventional 1*1 acquisition mode of projection in computed tomography (CT) image reconstruction, the 2*2 acquisition mode improves the collection efficiency of the projection and reduces the X-ray exposure time. However, the collected projection based on the 2*2 acquisition mode has low resolution (LR) and the reconstructed image quality is poor, thus limiting the use of this mode in CT imaging systems. In this study, a novel sinogram-super-resolution generative adversarial network (SSR-GAN) model is proposed to obtain high-resolution (HR) sinograms from LR sinograms, thereby improving the reconstruction image quality under the 2*2 acquisition mode. The proposed generator is based on the residual network for LR sinogram feature extraction and super-resolution (SR) sinogram generation. A relativistic discriminator is designed to render the network capable of obtaining more realistic SR sinograms. Moreover, we combine the cycle consistency loss, sinogram domain loss, and reconstruction image domain loss in the total loss function to supervise SR sinogram generation. Then, a trained model can be obtained by inputting the paired LR/HR sinograms into the network. Finally, the classic FBP reconstruction algorithm is used for CT image reconstruction based on the generated SR sinogram. The qualitative and quantitative results of evaluations on digital and real data illustrate that the proposed model not only obtains clean SR sinograms from noisy LR sinograms but also outperforms its counterparts.

研究动机与目标

• 解决CT成像中2×2探测器采集模式下因低分辨率纹影图导致的图像质量差的问题。
• 开发一种基于深度学习的超分辨率方法，从低分辨率输入重建高分辨率纹影图。
• 在不增加辐射剂量或硬件复杂度的前提下提升CT图像质量。
• 设计一种生成真实、高保真纹影图的GAN框架，同时保留结构细节。
• 在数字体模和真实CT数据上验证该方法，以确保其临床相关性。

提出的方法

• 基于残差网络的生成器从低分辨率纹影图中提取特征，并生成高分辨率纹影图。
• 采用相对判别器通过比较真实与生成样本的分布，提升生成纹影图的真实感。
• 总损失函数结合循环一致性损失、纹影域损失和重建图像域损失，实现多层级监督。
• 使用成对的低分辨率与高分辨率纹影图数据，端到端训练SSR-GAN模型。
• 在生成的高分辨率纹影图上使用传统的滤波反投影（FBP）算法进行最终CT图像重建。
• 训练过程利用对抗学习，增强超分辨率纹影图的纹理和结构保真度。

实验结果

研究问题

• RQ1 基于GAN的方法能否有效实现CT中2×2探测器采集模式下低分辨率纹影图的超分辨率？
• RQ2 所提出的SSR-GAN模型是否能生成在感知和定量指标上均优于基线方法的高分辨率纹影图？
• RQ3 多损失训练策略在多大程度上提升了重建CT图像的保真度和诊断质量？
• RQ4 相对判别器在提升生成纹影图的真实感和结构准确性方面起到了何种作用？
• RQ5 该方法是否能在数字体模和真实患者数据上均保持图像质量的提升？

主要发现

• 所提出的SSR-GAN模型生成的高分辨率纹影图明显比基线方法更清晰、细节更丰富。
• 定量评估显示，无论在数字数据还是真实数据上，PSNR和SSIM指标均优于现有超分辨率技术。
• 该方法有效降低了低分辨率纹影图中的噪声和伪影，同时保留了精细的解剖结构。
• 循环一致性损失与多域损失的结合，使训练更加稳定，并提升了在不同类型数据上的泛化能力。
• 使用生成的高分辨率纹影图重建的CT图像视觉质量更优，且条状伪影显著减少。
• 该方法在真实患者数据上也保持了高性能，表明其具备临床可行性与鲁棒性。