[论文解读] Limited View Tomographic Reconstruction Using a Deep Recurrent Framework with Residual Dense Spatial-Channel Attention Network and Sinogram Consistency

Bo Zhou, S. Kevin Zhou+2 more|arXiv (Cornell University)|Sep 3, 2020

Medical Imaging Techniques and Applications参考文献 34被引用 5

一句话总结

本文提出一种循环深度学习框架 R2edSCAN，用于有限视角 CT 重建，该方法结合残差密集空间-通道注意力网络与正弦图一致性层，以确保投影域保真度。该方法实现了最先进性能，在有限角度和稀疏视角重建中，相比先前方法，PSNR 提升超过 5 dB 和约 4 dB。

ABSTRACT

Limited view tomographic reconstruction aims to reconstruct a tomographic image from a limited number of sinogram or projection views arising from sparse view or limited angle acquisitions that reduce radiation dose or shorten scanning time. However, such a reconstruction suffers from high noise and severe artifacts due to the incompleteness of sinogram. To derive quality reconstruction, previous state-of-the-art methods use UNet-like neural architectures to directly predict the full view reconstruction from limited view data; but these methods leave the deep network architecture issue largely intact and cannot guarantee the consistency between the sinogram of the reconstructed image and the acquired sinogram, leading to a non-ideal reconstruction. In this work, we propose a novel recurrent reconstruction framework that stacks the same block multiple times. The recurrent block consists of a custom-designed residual dense spatial-channel attention network. Further, we develop a sinogram consistency layer interleaved in our recurrent framework in order to ensure that the sampled sinogram is consistent with the sinogram of the intermediate outputs of the recurrent blocks. We evaluate our methods on two datasets. Our experimental results on AAPM Low Dose CT Grand Challenge datasets demonstrate that our algorithm achieves a consistent and significant improvement over the existing state-of-the-art neural methods on both limited angle reconstruction (over 5dB better in terms of PSNR) and sparse view reconstruction (about 4dB better in term of PSNR). In addition, our experimental results on Deep Lesion datasets demonstrate that our method is able to generate high-quality reconstruction for 8 major lesion types.

研究动机与目标

• 为解决因正弦图数据不完整而导致的有限视角断层重建中严重伪影和噪声的问题。
• 克服现有深度学习方法缺乏投影域一致性且依赖固定架构（如 UNet）的局限性。
• 开发一种循环框架，通过迭代优化重建结果，同时强制预测正弦图与实际采集正弦图之间的一致性。
• 提升低剂量或稀疏视角 CT 中的病灶可见度与结构保真度，尤其针对异质性或低对比度病灶。
• 实现在降低辐射剂量和缩短扫描时间的同时，保持诊断质量的高保真重建。

提出的方法

• 该框架采用循环堆叠设计，将相同的残差密集空间-通道注意力网络（RedSCAN）模块多次堆叠，以迭代方式优化重建结果。
• 每个 RedSCAN 模块利用密集残差连接与空间-通道注意力机制，以增强特征学习并保留细微细节。
• 在每个循环模块后插入正弦图一致性层（SCL），将中间图像投影回正弦图域，以强制与测量的有限角度或稀疏视角投影保持一致。
• SCL 使用 FBP 执行正向与反向投影，计算预测正弦图与实际正弦图之间的差异，用于指导网络优化。
• 整个网络采用端到端训练，结合 L1 损失与感知损失，以平衡像素级精度与结构保真度。
• 该框架在 AAPM 低剂量 CT Grand Challenge 与 Deep Lesion 数据集上进行评估，以检验其在临床相关重建任务中的性能。

实验结果

研究问题

• RQ1 具有迭代优化能力的循环深度学习框架是否能超越固定架构模型（如 UNet）在有限视角 CT 重建中的表现？
• RQ2 通过专用层强制实现正弦图一致性是否能显著提升重建质量并减少伪影？
• RQ3 所提出方法是否能有效保留复杂解剖结构与病灶特异性结构（如血管供应与纹理）在低对比度或异质性病灶中的表现？
• RQ4 该循环框架的性能如何随迭代次数变化？其在精度、内存消耗与推理时间之间的最优权衡是什么？
• RQ5 正弦图一致性层是否可有效适配于平行束之外的其他采集几何结构？

主要发现

• 在 AAPM 低剂量 CT Grand Challenge 数据集中，所提出的 R2edSCAN 方法在有限角度重建中相比最先进方法，PSNR 稳定且显著提升超过 5 dB。
• 在稀疏视角重建中，该方法相比现有基于深度学习的方法，PSNR 提升约 4 dB，表明其具有更优的噪声抑制与伪影减少能力。
• 该方法成功恢复了复杂病灶结构（如肺部病灶的供血血管），而这些结构在有限角度条件下被先前方法完全遗漏。
• 在 Deep Lesion 数据集中，R2edSCAN 即使在低对比度软组织背景中，也能保持八类主要病灶类型的边界与内部纹理，而先前方法常导致模糊或失真。
• 性能增益在四次循环迭代后趋于收敛，设置 n=4 可在内存消耗、推理时间（约 120 ms）与重建质量之间实现良好平衡。
• 正弦图一致性层显著提升了数据保真度，表现为预测正弦图与实测正弦图之间差异减小，从而实现更准确、更具诊断可靠性的重建。