[论文解读] Near-Exact Recovery for Tomographic Inverse Problems via Deep Learning

Martin Genzel, Ingo Gühring+2 more|arXiv (Cornell University)|Jun 14, 2022

Medical Imaging Techniques and Applications被引用 30

一句话总结

论文证明一个迭代端到端神经网络(ItNet)配合数据驱动的前向模型标定，在无噪声数据的稀疏视图CT中几乎可完美恢复，优于强基线并达到TV最小化的精度。

ABSTRACT

This work is concerned with the following fundamental question in scientific machine learning: Can deep-learning-based methods solve noise-free inverse problems to near-perfect accuracy? Positive evidence is provided for the first time, focusing on a prototypical computed tomography (CT) setup. We demonstrate that an iterative end-to-end network scheme enables reconstructions close to numerical precision, comparable to classical compressed sensing strategies. Our results build on our winning submission to the recent AAPM DL-Sparse-View CT Challenge. Its goal was to identify the state-of-the-art in solving the sparse-view CT inverse problem with data-driven techniques. A specific difficulty of the challenge setup was that the precise forward model remained unknown to the participants. Therefore, a key feature of our approach was to initially estimate the unknown fanbeam geometry in a data-driven calibration step. Apart from an in-depth analysis of our methodology, we also demonstrate its state-of-the-art performance on the open-access real-world dataset LoDoPaB CT.

研究动机与目标

• 激发研究：深度学习求解器是否能够在CT的无噪声逆问题中实现近乎完美的恢复？
• 开发一个数据驱动的流程，包含前向算子估计、端到端预训练的UNet骨干网络，以及迭代数据一致性。
• 与挑战基线和真实世界数据进行评估，并分析数据一致性与前向模型影响。
• 提供关于可推广到超越合成数据的设计选择的见解。

提出的方法

• 步骤1 – 数据驱动几何识别，使用4000对正弦图–图像对，通过梯度下降式优化和坐标下降来估计未知的扇束前向算子。
• 步骤2 – 预训练UNet作为计算骨干网，通过经验风险最小化对稀疏视图FBP重建进行后处理。
• 步骤3 – 构建ItNet，一种迭代方案，交替进行基于UNet的增强与数据一致性步骤，该步骤使用FBP（而不是未滤波反投影）来强制前向模型的一致性。
• 使用少量迭代次数(K)，结合权重共享实验以及从步骤2的预初始化来提升性能。
• 对数据一致性和前向模型误差的分析，以衡量精度在多大程度上依赖于学习得到的前向算子。

实验结果

研究问题

• RQ1 端到端网络是否可以在无噪声的层析成像逆问题中实现近乎完美的精度？
• RQ2 引入显式学习前向模型在实现高精度重建中起到怎样的作用？
• RQ3 在稀疏视图CT中，预训练与迭代耦合(ItNet)是否比简单的后处理或其他学习型原-对法方法表现更好？
• RQ4 学习得到的前向算子如何影响数据一致性和跨数据分布的整体重建质量（合成数据 vs LoDoPaB CT数据集）？

主要发现

• ItNet-post 集成在AAPM测试集上实现近似精确的恢复，最终挑战评估的RMSE低至6.37e-6。
• ItNet 的变体在挑战数据上超越基线，如后处理的UNet∘FBP、Tiramisu以及学习 primal-dual (LPD)。
• 数据一致性分析显示剩余误差主要来自前向模型估计误差，而非重建网络，表明通过更准确的前向算子可以改进。
• 对UNet块进行预训练并用步骤2的权重初始化ItNet，显著提高收敛速度和最终精度。
• 仅需少量前向模型评估就能实现近似完美恢复，且在K≈5次迭代、权重不共享时达到强性能。