[论文解读] Monochromatic CT Image Reconstruction from Current-Integrating Data via Deep Learning

Wenxiang Cong, Ge Wang|arXiv (Cornell University)|Oct 10, 2017

Advanced X-ray and CT Imaging被引用 10

一句话总结

本文提出了一种基于深度学习的方法，直接从传统的电流积分投影数据重建单色CT图像，无需进行双能量扫描。通过学习对测量投影的非线性校正，该方法能精确补偿束硬化效应，投影校正的相对误差低于0.2%，从而实现使用标准临床CT扫描仪的高保真单色成像。

ABSTRACT

In clinical CT, the x-ray source emits polychromatic x-rays, which are detected in the current-integrating mode. This physical process is accurately described by an energy-dependent non-linear integral model on the basis of the Beer-Lambert law. However, the non-linear model is too complicated to be directly solved for the image reconstruction, and is often approximated to a linear integral model in the form of the Radon transform, basically ignoring energy-dependent information. This model approximation would generate inaccurate quantification of attenuation image and significant beam-hardening artifacts. In this paper, we develop a deep-learning-based CT image reconstruction method to address the mismatch of computing model to physical model. Our method learns a nonlinear transformation from big data to correct measured projection data to accurately match the linear integral model, realize monochromatic imaging and overcome beam hardening effectively. The deep-learning network is trained and tested using clinical dual-energy dataset to demonstrate the feasibility of the proposed methodology. Results show that the proposed method can achieve a high accuracy of the projection correction with a relative error of less than 0.2%.

研究动机与目标

• 解决物理多色X射线物理与临床CT中使用的线性化模型之间的不匹配问题。
• 克服由于近似非线性能量相关X射线衰减模型而引起的束硬化伪影。
• 开发一种数据驱动的深度学习框架，学习校正电流积分投影数据，以实现准确的单色图像重建。
• 通过临床双能量CT数据集证明其可行性，且无需硬件修改。

提出的方法

• 训练深度神经网络，学习从原始电流积分投影数据到与线性积分模型匹配的校正投影的非线性变换。
• 在临床双能量CT数据集上训练网络，学习多色测量与其对应单色等效物之间的映射关系。
• 通过从数据中学习校正，避免了直接求解复杂的非线性能量相关积分模型。
• 优化网络架构，以最小化预测值与真实单色投影之间的差异。
• 利用端到端学习，将测量数据映射到单色图像空间，同时保持物理一致性。
• 使用临床数据验证模型，确保其在真实世界中的适用性和鲁棒性。

实验结果

研究问题

• RQ1 深度学习能否通过从电流积分投影数据中学习，有效校正常规CT中的束硬化伪影？
• RQ2 与标准线性近似相比，学习到的非线性变换在多大程度上能提高单色图像重建的准确性？
• RQ3 是否可行仅使用标准临床CT扫描仪硬件和数据实现单色CT成像，而无需双能量扫描？
• RQ4 深度学习模型在多大程度上能准确校正投影数据，使其与图像重建中使用的线性积分模型相匹配？
• RQ5 所提出的方法能否在无需复杂多色X射线衰减物理建模的情况下，保持高图像保真度？

主要发现

• 所提出的深度学习方法在校正测量投影数据时，相对误差低于0.2%，表明投影校正具有高精度。
• 该方法通过学习多色测量与单色图像空间之间的非线性关系，有效抑制了束硬化伪影。
• 网络成功地将电流积分数据映射到单色图像重建，而无需双能量扫描或硬件变更。
• 该方法在真实临床双能量CT数据集上展示了可行性与鲁棒性，验证了其临床相关性。
• 结果证实，深度学习能够弥合CT中物理X射线物理与简化线性重建模型之间的差距。
• 该方法实现了使用标准CT扫描仪的高保真单色成像，为束硬化问题提供了一种无需复杂建模的实用解决方案。