[论文解读] Momentum-Net for Low-Dose CT Image Reconstruction

Siqi Ye, Yong Long+1 more|arXiv (Cornell University)|Feb 27, 2020

Medical Imaging Techniques and Applications参考文献 23被引用 4

一句话总结

本文提出Momentum-Net，一种用于低剂量CT图像重建的快速迭代神经网络架构，结合基于模型的图像重建（MBIR）与四层残差CNN进行逐层图像优化。该方法在重建精度上显著优于最先进的非迭代去噪网络（如WavResNet），实现了更低的RMSE和更优的视觉质量，而谱归一化技术并未提升性能。

ABSTRACT

This paper applies the recent fast iterative neural network framework, Momentum-Net, using appropriate models to low-dose X-ray computed tomography (LDCT) image reconstruction. At each layer of the proposed Momentum-Net, the model-based image reconstruction module solves the majorized penalized weighted least-square problem, and the image refining module uses a four-layer convolutional neural network (CNN). Experimental results with the NIH AAPM-Mayo Clinic Low Dose CT Grand Challenge dataset show that the proposed Momentum-Net architecture significantly improves image reconstruction accuracy, compared to a state-of-the-art noniterative image denoising deep neural network (NN), WavResNet (in LDCT). We also investigated the spectral normalization technique that applies to image refining NN learning to satisfy the nonexpansive NN property; however, experimental results show that this does not improve the image reconstruction performance of Momentum-Net.

研究动机与目标

• 为在减少辐射暴露的同时保持高图像质量，解决低剂量CT图像重建的挑战。
• 改进现有非迭代去噪深度神经网络（如WavResNet）的局限性，后者因高剂量参考数据稀缺而面临泛化能力有限和过拟合风险高的问题。
• 通过集成快速迭代神经网络框架Momentum-Net，加速基于模型的图像重建（MBIR）的收敛速度。
• 探究谱归一化技术是否能提升Momentum-Net框架中图像优化神经网络的性能。

提出的方法

• Momentum-Net采用分层架构，每一层整合三个组件：通过学习得到的残差CNN进行图像优化，用于加速的外推法，以及主要化惩罚加权最小二乘法（PWLS）MBIR模块。
• 图像优化模块使用四层残差CNN（SimpleCNN），定义为 $\mathcal{D}_{\theta^{(l+1)}}(\mathbf{x}^{(l)}) = \mathbf{x}^{(l)} - \mathcal{R}_{\theta^{(l+1)}}(\mathbf{x}^{(l)})$，其参数由前一层初始化。
• MBIR模块通过闭式解求解主要化惩罚加权最小二乘问题，相比内部迭代方法收敛更快。
• 谱归一化（RSN）应用于残差映射和去噪器，以强制实现非扩张性质，包含两种变体：SimpleCNN-RSN与Dn-RSN。
• 训练采用去噪输出与参考图像之间的均方误差（MSE）损失，使用Adam优化器并配合学习率衰减。
• 框架在NIH AAPM-Mayo Clinic低剂量CT Grand Challenge数据集上进行评估，采用RMSE和视觉评估作为指标。

实验结果

研究问题

• RQ1 与最先进的非迭代去噪网络（如WavResNet）相比，Momentum-Net能否显著提升低剂量CT重建的精度？
• RQ2 在图像优化神经网络中应用谱归一化是否能提升Momentum-Net在低剂量CT重建中的性能？
• RQ3 通过谱归一化强制实现的非扩张性质是否在Momentum-Net框架中有利于图像重建的稳定性和精度？
• RQ4 与非迭代方法相比，MBIR与深度学习模块的迭代集成如何影响收敛速度和重建质量？
• RQ5 残差去噪网络的不同训练策略对重建性能有何影响？

主要发现

• 采用SimpleCNN的Momentum-Net将平均RMSE降低至3.55 HU，相比WavResNet（36.10 HU）降低了4.5 HU，相比FBP（117.85 HU）降低了114.3 HU。
• 所提出的Momentum-Net在RMSE标准差方面（3.55 HU）优于WavResNet（6.46 HU），表明重建稳定性得到提升。
• 视觉结果表明，与WavResNet相比，采用SimpleCNN的Momentum-Net在图像细节保留和条状伪影抑制方面表现更优，尤其在图像放大区域更为明显。
• 采用SimpleCNN-RSN的Momentum-Net平均RMSE为36.10 HU，高于WavResNet（6.46 HU），表明基于RSN的训练未带来性能提升。
• Dn-RSN变体（移除跳跃连接并应用于完整去噪器的RSN）性能最差，RMSE达41.72 HU，表明RSN并未提升重建质量，甚至可能造成性能下降。
• 尽管谱归一化在理论上有利于强制实现非扩张映射，但在Momentum-Net中并未提升重建精度。