[论文解读] Motion Artifacts Detection in Short-scan Dental CBCT Reconstructions

Abdul Salam Rasmi Asraf Ali, Andrea Fusiello+3 more|arXiv (Cornell University)|Apr 20, 2023

Medical Imaging Techniques and ApplicationsMedicine被引用 3

一句话总结

本文提出一种深度学习框架，通过使用模拟运动数据和数据增强，检测短扫描牙科CBCT重建中的运动伪影。通过将投影子集分类为无运动伪影或受伪影影响，该方法可在无需校正算法的情况下实现无伪影的短扫描容积重建，在模拟数据上达到高达0.983的AUC-PR，在真实运动影响扫描上实现稳健性能（AUC-PR = 1.000），证明了其在临床应用中的可行性。

ABSTRACT

Cone Beam Computed Tomography (CBCT) is widely used in dentistry for diagnostics and treatment planning. CBCT Imaging has a long acquisition time and consequently, the patient is likely to move. This motion causes significant artifacts in the reconstructed data which may lead to misdiagnosis. Existing motion correction algorithms only address this issue partially, struggling with inconsistencies due to truncation, accuracy, and execution speed. On the other hand, a short-scan reconstruction using a subset of motion-free projections with appropriate weighting methods can have a sufficient clinical image quality for most diagnostic purposes. Therefore, a framework is used in this study to extract the motion-free part of the scanned projections with which a clean short-scan volume can be reconstructed without using correction algorithms. Motion artifacts are detected using deep learning with a slice-based prediction scheme followed by volume averaging to get the final result. A realistic motion simulation strategy and data augmentation has been implemented to address data scarcity. The framework has been validated by testing it with real motion-affected data while the model was trained only with simulated motion data. This shows the feasibility to apply the proposed framework to a broad variety of motion cases for further research.

研究动机与目标

• 为解决牙科CBCT中运动伪影的问题，此类伪影会降低诊断准确性，且在临床实践中较为常见。
• 开发一种框架，用于检测短扫描重建中的无运动伪影投影子集，避免使用复杂的校正算法。
• 通过使用逼真的运动模拟和数据增强，克服运动影响CBCT中的数据稀缺问题。
• 尽管仅在模拟数据上进行训练，仍验证该框架在真实世界运动影响扫描上的鲁棒性。
• 仅通过投影分类和容积平均，实现临床可行的、无伪影的CBCT重建。

提出的方法

• 基于切片的深度学习框架将从选定投影子集重建的短扫描容积分类为阳性（受伪影影响）或阴性（无伪影）。
• 逼真的运动模拟生成具有多种类型（点头、倾斜、侧向旋转、震颤）和不同强度的合成运动数据。
• 应用数据增强技术以增加模拟运动数据的多样性并提升泛化能力。
• 从不同投影子集重建四个短扫描容积以覆盖360°，并将结果平均以生成最终的诊断级容积。
• 由于其优越性能和对真实世界运动的泛化能力，选择EfficientNet V2作为主干模型。
• 对多个短扫描重建结果进行容积平均，可减少残留伪影并提高诊断一致性。

实验结果

研究问题

• RQ1 仅在模拟运动数据上训练的深度学习模型能否以高精度检测真实运动影响的牙科CBCT扫描中的运动伪影？
• RQ2 逼真的运动模拟和数据增强在缓解CBCT中运动伪影检测训练数据稀缺问题方面有多有效？
• RQ3 从无伪影投影子集重建的短扫描能否在无需校正算法的情况下产生诊断充分的图像质量？
• RQ4 哪种深度学习架构在多种运动类型和真实扫描变化中具有最佳泛化能力？
• RQ5 该框架能否将运动伪影与诸如束硬化或光子饥饿等非运动相关伪影区分开？

主要发现

• 使用EfficientNet V2，在模拟运动数据上该框架实现了0.983的AUC-PR，优于其他架构。
• 在真实运动影响的扫描上，该模型使用EfficientNet V2实现了完美的AUC-PR 1.000，表明其对真实世界运动具有强大鲁棒性。
• 与ResNet和DenseNet相比，EfficientNet V2和EfficientNet在真实数据上表现出更优的泛化能力，表明其具有更好的领域泛化性能。
• 该框架成功将运动伪影与幻影扫描中束硬化和噪声等非运动相关伪影区分开。
• 对多个短扫描重建结果进行容积平均显著提升了图像一致性并减少了残留伪影。
• 尽管仅在模拟数据上训练，该模型在真实扫描中仍能有效检测运动，验证了该模拟策略在未来研究中的有效性。