[论文解读] Machine-learning-based nonlinear decomposition of CT images for metal artifact reduction

Hyung Suk Park, Sung Min Lee+2 more|arXiv (Cornell University)|Aug 1, 2017

Advanced X-ray and CT Imaging参考文献 21被引用 15

一句话总结

本文提出了一种基于深度学习的CT扫描金属伪影减少（MAR）方法，通过训练U-Net模型从仅含金属的CT图像中提取 beam-hardening 伪影，避免了对无伪影真实图像的需求。该方法在带有模拟髋关节假体的真实骨盆CT扫描中成功减少了条状伪影和阴影伪影，NRMSD值低于现有方法。

ABSTRACT

Computed tomography (CT) images containing metallic objects commonly show severe streaking and shadow artifacts. Metal artifacts are caused by nonlinear beam-hardening effects combined with other factors such as scatter and Poisson noise. In this paper, we propose an implant-specific method that extracts beam-hardening artifacts from CT images without affecting the background image. We found that in cases where metal is inserted in the water (or tissue), the generated beam-hardening artifacts can be approximately extracted by subtracting artifacts generated exclusively by metals. We used a deep learning technique to train nonlinear representations of beam-hardening artifacts arising from metals, which appear as shadows and streaking artifacts. The proposed network is not designed to identify ground-truth CT images (i.e., the CT image before its corruption by metal artifacts). Consequently, these images are not required for training. The proposed method was tested on a dataset consisting of real CT scans of pelvises containing simulated hip prostheses. The results demonstrate that the proposed deep learning method successfully extracts both shadowing and streaking artifacts.

研究动机与目标

• 解决由 beam hardening 和非线性效应引起的CT成像中金属伪影的长期挑战。
• 开发一种无需真实CT图像的方法，因为临床中存在金属植入物时通常无法获得此类图像。
• 利用已知的植入物几何形状和材料属性，在合成仅含金属的伪影数据上训练深度学习模型。
• 通过学习与植入物几何形状相关的 beam-hardening 伪影非线性表示，提升伪影减少性能。
• 证明小规模、基于几何信息的训练集可泛化至未见过的金属植入物配置。

提出的方法

• 该方法使用基于U-Net的深度神经网络，从仅含金属的CT扫描中学习 beam-hardening 伪影的非线性表示。
• 在水等效体模中金属植入物（如髋关节假体）的合成CT图像上进行训练，利用已知的几何形状和材料衰减系数。
• 通过最小化预测伪影与实际金属诱导伪影之间的L2损失来训练网络，无需使用无伪影的真实图像作为监督信号。
• 该方法假设金属诱导的伪影可通过从全扫描图像中减去纯金属扫描图像的伪影来近似，基于观察到的伪影生成具有线性特性。
• 通过在伪影轨迹的低维流形上插值，实现对金属形状、旋转和位置变化的泛化。
• 最终的MAR结果通过从原始含伪影CT图像中减去预测的伪影图获得。

实验结果

研究问题

• RQ1 能否在无需真实无伪影CT图像的情况下，利用深度学习有效提取金属植入物引起的 beam-hardening 伪影？
• RQ2 在仅使用仅含金属CT图像进行训练的深度学习模型，是否能泛化至具有复杂金属植入物几何形状的真实患者扫描中以减少伪影？
• RQ3 利用已知的植入物几何形状和材料属性，是否能提升在低数据量情况下的伪影提取泛化能力与准确性？
• RQ4 与现有MAR方法（如MAC-BC）相比，该方法在伪影减少和背景恢复方面的定量性能如何？
• RQ5 小规模、基于几何信息的训练数据集是否能在多种金属植入物配置中实现稳健的伪影提取？

主要发现

• 所提方法在所有测试方法中取得了最低的归一化均方根差（NRMSD），在Pelvis 2上为13.60%，Pelvis 1上为14.67%，Pelvis 3上为16.43%，Pelvis 4上为16.87%。
• 在减少条状伪影方面优于MAC-BC方法，图7第四列中未见残留伪影，视觉上已得到验证。
• L2误差在训练过程中收敛，且随着训练轮次增加，伪影减少效果持续提升，表明学习过程稳定。
• 尽管训练图像数量极少，模型仍通过在伪影轨迹流形上的插值，成功泛化至未见过的金属植入物配置。
• 该方法成功从带有模拟髋关节假体的真实骨盆CT扫描中提取了阴影伪影和条状伪影。
• 训练过程中未使用真实无伪影CT图像，并未影响性能，因为模型从合成的仅含金属伪影数据中进行学习。