[论文解读] Multi-Scale Wavelet Domain Residual Learning for Limited-Angle CT Reconstruction

Jawook Gu, Jong Chul Ye|arXiv (Cornell University)|Jan 1, 2017

Medical Imaging Techniques and Applications被引用 8

一句话总结

本文提出了一种多尺度小波域残差学习网络，用于从有限角度的投影数据中重建高质量的CT图像。通过利用小波域中方向性和全局分布的伪影特性，该方法有效抑制了条纹伪影和阴影伪影，同时保留了边缘和结构细节，显著提升了现有迭代方法的图像质量。

ABSTRACT

Limited-angle computed tomography (CT) is often used in clinical applications such as C-arm CT for interventional imaging. However, CT images from limited angles suffers from heavy artifacts due to incomplete projection data. Existing iterative methods require extensive calculations but can not deliver satisfactory results. Based on the observation that the artifacts from limited angles have some directional property and are globally distributed, we propose a novel multi-scale wavelet domain residual learning architecture, which compensates for the artifacts. Experiments have shown that the proposed method effectively eliminates artifacts, thereby preserving edge and global structures of the image.

研究动机与目标

• 解决由于投影数据不完整而导致的有限角度CT中严重伪影的问题。
• 克服现有迭代重建方法计算量大且结果不理想的问题。
• 利用小波域中伪影的方向性和全局分布特性，设计更有效的伪影补偿策略。
• 开发一种在小波域中运行的深度学习架构，以提升图像重建质量与结构保持能力。

提出的方法

• 通过多尺度小波变换将输入投影数据转换到小波域，将图像分解为具有方向敏感性的子带。
• 在小波域中应用残差学习架构，以建模并抑制全局分布且具有方向结构的伪影。
• 网络端到端训练，以学习小波变换后的有限角度CT图像与真实图像之间的残差。
• 在小波子带之间聚合多尺度特征，以增强不同空间频率下伪影的表征能力。
• 通过去噪残差输出的逆小波变换获得重建图像。
• 该方法结合小波的结构敏感性与深度残差学习，以提升伪影抑制与边缘保持能力。

实验结果

研究问题

• RQ1 小波域表示能否有效建模有限角度CT中伪影的方向性和全局分布特性？
• RQ2 在小波域中进行多尺度残差学习与传统的图像域学习相比，在伪影抑制方面表现如何？
• RQ3 所提出的方法在减少条纹伪影和阴影伪影的同时，能在多大程度上保留细小边缘和全局图像结构？
• RQ4 基于小波的残差学习方法是否在降低计算成本的同时，实现了优于现有迭代方法的重建质量？

主要发现

• 所提出的方法显著减少了有限角度CT重建中的条纹伪影和阴影伪影。
• 小波域残差学习比传统方法更有效地保留了细小边缘和全局图像结构。
• 与计算成本高且效果较差的现有迭代重建技术相比，该方法实现了更优的图像质量。
• 多尺度小波表示能够更好地建模不同空间频率下伪影的特性。
• 网络在小波域中的残差学习带来了更稳定、更精确的伪影补偿。
• 结果表明，在有限角度CT中，小波域中的伪影补偿比图像域更有效。