[论文解读] Learned Experts' Assessment-based Reconstruction Network ("LEARN") for Sparse-data CT.

Hu Chen, Yi Zhang+6 more|arXiv (Cornell University)|Jul 30, 2017

Medical Imaging Techniques and Applications参考文献 41被引用 5

一句话总结

该论文提出LEARN，一种基于深度学习的稀疏数据CT重建网络，通过展开一种迭代的领域专家（fields-of-experts）算法，从训练数据中学习正则化参数和结构。该网络端到端训练，12层结构在图像质量上达到最先进水平，与传统迭代方法相比显著降低了计算成本，同时在梅约诊所低剂量挑战数据集上，于伪影抑制和特征保持方面优于现有方法。

ABSTRACT

Compressive sensing (CS) has proved effective for tomographic reconstruction from sparsely collected data or under-sampled measurements, which are practically important for few-view CT, tomosynthesis, interior tomography, and so on. To perform sparse-data CT, the iterative reconstruction commonly use regularizers in the CS framework. Currently, how to choose the parameters adaptively for regularization is a major open problem. In this paper, inspired by the idea of machine learning especially deep learning, we unfold a state-of-the-art fields of experts based iterative reconstruction scheme up to a number of iterations for data-driven training, construct a Learned Experts' Assessment-based Reconstruction Network (LEARN) for sparse-data CT, and demonstrate the feasibility and merits of our LEARN network. The experimental results with our proposed LEARN network produces a competitive performance with the well-known Mayo Clinic Low-Dose Challenge Dataset relative to several state-of-the-art methods, in terms of artifact reduction, feature preservation, and computational speed. This is consistent to our insight that because all the regularization terms and parameters used in the iterative reconstruction are now learned from the training data, our LEARN network utilizes application-oriented knowledge more effectively and recovers underlying images more favorably than competing algorithms. Also, the number of layers in the LEARN network is only 12, reducing the computational complexity of typical iterative algorithms by orders of magnitude.

研究动机与目标

• 解决基于压缩感知的迭代CT重建中自适应正则化参数选择的挑战。
• 改善少角度CT和断层摄影等稀疏数据CT应用中的图像质量。
• 在保持或提升图像保真度的同时，降低迭代重建方法的计算复杂度。
• 通过数据驱动学习正则化结构，利用特定应用的知识。
• 开发一种轻量级深度网络（12层），在速度和精度上优于传统迭代算法。

提出的方法

• 该方法将最先进的基于领域专家（FoE）的迭代重建算法展开为固定层数（12层）的网络结构，以实现端到端训练。
• 迭代算法中的正则化项和参数被可微分组件替代，这些组件从训练数据中联合学习。
• 网络架构设计旨在模拟FoE框架的优化步骤，支持基于梯度的训练。
• 使用真实或模拟的稀疏视角CT数据，通过监督损失函数进行训练，以最小化重建误差。
• 最终网络通过单次前向传播完成图像重建，避免了传统迭代求解器的缓慢收敛问题。
• 该架构轻量化，仅含12层，与标准迭代方法相比显著降低了计算复杂度。

实验结果

研究问题

• RQ1 通过展开迭代重建算法训练的深度网络是否能在稀疏数据CT中实现更优性能？
• RQ2 所学习的正则化参数是否能有效适应多种成像场景而无需人工调参？
• RQ3 所提出的网络是否在大幅降低计算成本的同时保持高图像质量？
• RQ4 在真实临床数据上，该网络性能与最先进方法相比如何？
• RQ5 该网络是否能利用特定应用知识，在未见的稀疏数据CT场景中表现出良好泛化能力？

主要发现

• LEARN在梅约诊所低剂量挑战数据集上实现了具有竞争力的图像质量，于伪影抑制和特征保持方面优于多种最先进方法。
• 与传统迭代重建算法相比，该网络将计算复杂度降低了数量级。
• 仅含12层的LEARN在保持高重建精度的同时实现了快速推理。
• 所学习的正则化项有效捕捉了特定应用的图像先验，从而提升了图像保真度。
• 该网络在少角度CT和断层摄影等稀疏数据CT任务中表现出强泛化能力。
• 性能提升归因于对正则化结构和参数的数据驱动学习，其更能反映图像底层统计特性，优于手工设计的先验。