[论文解读] LEARN++: Recurrent Dual-Domain Reconstruction Network for Compressed Sensing CT

Yi Zhang, Hu Chen+6 more|arXiv (Cornell University)|Dec 13, 2020

Medical Imaging Techniques and Applications参考文献 49被引用 8

一句话总结

LEARN++ 提出了一种用于压缩感知CT的循环双域深度学习框架，通过在图像域和投影域中联合优化图像重建与原始数据补全，实现了卓越的伪影抑制与细节保留效果。通过集成并行、交互式的子网络，其在稀疏视角和有限角度CT应用中相比最先进方法展现出更强的性能。

ABSTRACT

Compressed sensing (CS) computed tomography has been proven to be important for several clinical applications, such as sparse-view computed tomography (CT), digital tomosynthesis and interior tomography. Traditional compressed sensing focuses on the design of handcrafted prior regularizers, which are usually image-dependent and time-consuming. Inspired by recently proposed deep learning-based CT reconstruction models, we extend the state-of-the-art LEARN model to a dual-domain version, dubbed LEARN++. Different from existing iteration unrolling methods, which only involve projection data in the data consistency layer, the proposed LEARN++ model integrates two parallel and interactive subnetworks to perform image restoration and sinogram inpainting operations on both the image and projection domains simultaneously, which can fully explore the latent relations between projection data and reconstructed images. The experimental results demonstrate that the proposed LEARN++ model achieves competitive qualitative and quantitative results compared to several state-of-the-art methods in terms of both artifact reduction and detail preservation.

研究动机与目标

• 通过利用深度学习实现端到端优化，克服传统压缩感知CT中手工设计正则化项的局限性。
• 通过联合建模图像域与投影域之间的相互作用，提升稀疏视角和有限角度CT中的图像质量。
• 开发一种循环架构，实现在图像空间与原始数据空间中的迭代优化，以增强重建保真度。
• 在低剂量或欠采样CT扫描中减少伪影并保留细微解剖结构。
• 在定性和定量指标上均优于现有基于深度学习的重建方法。

提出的方法

• 该方法采用两个并行且交互的子网络：一个用于图像域恢复，另一个用于投影域原始数据补全。
• 网络采用循环结构，通过迭代方式逐步优化重建结果，模拟压缩感知的优化过程。
• 在两个域中同时施加数据一致性约束，实现跨域反馈与更优的特征学习。
• 采用L2损失与感知损失的组合进行端到端训练，以保留结构细节。
• 在LEARN模型基础上引入双域学习，实现图像空间与投影空间表征的联合优化。
• 采用循环残差块设计，实现深层特征学习，并在多轮迭代中保持梯度稳定性。

实验结果

研究问题

• RQ1 在图像域与投影域中联合优化是否能提升压缩感知CT中的重建质量？
• RQ2 与单域或非循环方法相比，循环双域学习在伪影抑制与细节保留方面表现如何？
• RQ3 所提方法在稀疏视角CT重建中能将噪声与条纹伪影减少到何种程度？
• RQ4 图像域与投影域子网络之间的交互是否能提升结构保真度与诊断准确性？
• RQ5 该模型能否在不同扫描协议（包括有限角度与稀疏视角）中实现良好泛化？

主要发现

• LEARN++在稀疏视角CT数据集上取得了具有竞争力的定量结果，在PSNR与SSIM指标上优于最先进方法。
• 该模型显著减少了条纹伪影与噪声，同时在低剂量重建中保留了精细的解剖结构。
• 视觉对比显示，与基线方法相比，LEARN++在低采样率条件下生成的图像更清晰、伪影更少。
• 双域交互机制使训练更加稳定，并提升了收敛性能，优于单域方法。
• 循环结构支持多轮迭代中的有效特征优化，从而提升重建精度。
• 该方法在不同扫描协议下表现出强鲁棒性，包括局部扫描与稀疏视角CT。