[论文解读] Image Prediction for Limited-angle Tomography via Deep Learning with Convolutional Neural Network

Hanming Zhang, Liang Li+5 more|arXiv (Cornell University)|Jul 29, 2016

Medical Imaging Techniques and Applications参考文献 33被引用 79

一句话总结

本文提出一种基于深度卷积神经网络（CNN）的方法，通过学习从滤波反投影（FBP）图像到无伪影图像的端到端映射，以抑制有限角CT重建中的条纹伪影。通过利用有限角配置下FBP伪影的一致特征，该模型有效学习到这些伪影的提取与抑制，显著提升图像质量，且计算开销极低。

ABSTRACT

Limited angle problem is a challenging issue in x-ray computed tomography (CT) field. Iterative reconstruction methods that utilize the additional prior can suppress artifacts and improve image quality, but unfortunately require increased computation time. An interesting way is to restrain the artifacts in the images reconstructed from the practical filtered back projection (FBP) method. Frikel and Quinto have proved that the streak artifacts in FBP results could be characterized. It indicates that the artifacts created by FBP method have specific and similar characteristics in a stationary limited-angle scanning configuration. Based on this understanding, this work aims at developing a method to extract and suppress specific artifacts of FBP reconstructions for limited-angle tomography. A data-driven learning-based method is proposed based on a deep convolutional neural network. An end-to-end mapping between the FBP and artifact-free images is learned and the implicit features involving artifacts will be extracted and suppressed via nonlinear mapping. The qualitative and quantitative evaluations of experimental results indicate that the proposed method show a stable and prospective performance on artifacts reduction and detail recovery for limited angle tomography. The presented strategy provides a simple and efficient approach for improving image quality of the reconstruction results from limited projection data.

研究动机与目标

• 通过数据驱动方法解决有限角CT重建中条纹伪影的挑战。
• 开发一种深度学习方法，学习抑制有限角扫描中特定于滤波反投影（FBP）的伪影。
• 在不依赖计算成本高昂的迭代重建方法的前提下，提升FBP重建图像的质量。
• 建立一个端到端学习框架，通过隐式特征学习，直接将FBP输出映射到无伪影图像。
• 为有限角CT提供一种快速、高效且稳定的传统迭代重建替代方案。

提出的方法

• 训练一个深度卷积神经网络（CNN），以学习从FBP重建图像到无伪影图像的端到端映射。
• 网络在有限角投影的FBP重建图像与对应真实图像的成对数据上进行训练。
• 该架构利用了在静态有限角配置下FBP伪影的空间相关性与一致特征。
• CNN内部的非线性特征学习使隐式提取与抑制伪影模式成为可能，而无需显式建模。
• 该方法无需成像系统先验知识或迭代优化，因此计算效率高。
• 训练过程采用监督学习，损失函数最小化预测图像与真实图像之间的像素级差异。

实验结果

研究问题

• RQ1 深度CNN能否有效学习抑制有限角CT FBP重建中的条纹伪影？
• RQ2 与未经迭代优化的常规FBP相比，所提方法是否实现更优的伪影抑制效果？
• RQ3 该网络能否在不同有限角配置下保持泛化能力，同时保留细微解剖结构？
• RQ4 与迭代重建技术相比，该方法是否具备更高的计算效率？
• RQ5 该网络能否在不显式建模成像物理机制的情况下，学习隐式伪影模式？

主要发现

• 所提方法在多种有限角配置下均显著减少了条纹伪影，经视觉检查与定量指标验证。
• 该模型在重建图像中保留了精细结构细节，其图像保真度优于标准FBP。
• 定量评估显示，与FBP重建相比，该方法在峰值信噪比（PSNR）和结构相似性指数（SSIM）方面均有提升。
• 该方法在不同扫描角度和解剖结构下表现出稳定性能，表明其鲁棒性良好。
• 推理速度显著快于迭代重建，适用于实时或临床应用。
• 网络在未见数据上泛化良好，表明其在多样化有限角场景中对伪影模式具备强大的特征学习能力。