[论文解读] Neural-networks-based Photon-Counting Data Correction: Pulse Pileup Effect

Ruibin Feng, David S. Rundle+1 more|arXiv (Cornell University)|Apr 29, 2018

Advanced X-ray and CT Imaging参考文献 33被引用 6

一句话总结

本文提出一种无需模型、端到端、数据驱动的神经网络方法，用于校正因脉冲堆积效应而退化的光子计数探测器（PCD）数据。通过在模拟测量值与真实计数值上训练的全连接级联人工神经网络，该方法在多种PCD配置下将相对误差降低一个数量级，同时在不同衰减路径下保持低方差，实现高保真度数据恢复。

ABSTRACT

Compared with the start-of-art energy integration detectors (EIDs), photon-counting detectors (PCDs) with energy discrimination capabilities have demonstrated great potentials in various applications of medical x-ray radiography and computed tomography (CT). However, the advantages of PCDs may be compromised by various hardware-related degradation factors. For example, at high count rate, quasi-coincident photons may be piled up and result in not only lost counts but also distorted spectrums, which is called the pulse pileup effects. Considering the relative slow detection speed of current PCDs and high x-ray flux for clinical imaging, it is vital to develop an effective approach to compensate or correct for the pileup effect. The aim of this paper was to develop a model-free, end-to-end, and data-driven approach in the neural network framework. We first introduce the trigger threshold concept to regularize the correction process. Then, we design a fully-connected cascade artificial neural network and train it with measurements and true counts. After training, the network is used to recover raw photon-counting data for higher fidelity. To evaluate the proposed approach, Monte Carlo simulations are conducted. We simulate four types of PCDs combining the unipolar or bipolar pulse shape with the nonparalyzable or paralyzable detection mode. The simulation results demonstrate that the trained neural network decreases the relative error of count averages of raw data by an order of magnitude while maintaining a reasonable variance over a wide range of attenuation paths.

研究动机与目标

• 解决光子计数探测器（PCDs）中的脉冲堆积效应，该效应是主要限制因素，会导致光谱数据失真并降低高X射线通量下的图像质量。
• 克服现有依赖模型的校正方法的局限性，这些方法依赖于脉冲波形、堆积顺序和探测机制的复杂物理建模。
• 开发一种可泛化、灵活且可训练的数据驱动框架，无需了解堆积效应的底层物理机制。
• 实现从失真PCD测量中准确恢复真实光子计数，以保持能量分辨能力并提升临床CT中的图像对比度。
• 建立基于蒙特卡洛模拟的稳健训练流程，生成涵盖多种PCD类型和工作条件的逼真训练数据。

提出的方法

• 引入触发阈值概念，以规范化校正过程并引导网络学习。
• 设计全连接级联人工神经网络（FCC ANN），学习从失真PCD测量值到无失真真实计数的映射关系。
• 使用成对数据进行网络训练：模拟的PCD测量值（X）和通过四步归一化过程估计的对应真实计数（Ydes）。
• 应用数据归一化算法，将测量数据（Xdes）缩放至目标X射线通量下无PPE（脉冲堆积效应）数据（Ydes）的均值和标准差。
• 使用蒙特卡洛模拟生成训练数据，涵盖四种PCD类型：单极性/双极性脉冲波形和非中断/中断检测模式。
• 使用归一化数据对（X, Ydes）以端到端方式训练FCC ANN，实现对校正后计数的直接预测。

实验结果

研究问题

• RQ1 无需依赖复杂物理模型，基于数据驱动的神经网络方法是否能有效校正光子计数CT中的脉冲堆积失真？
• RQ2 在多种PCD配置下，该方法能否准确估计从失真测量中获得的真实光子计数？
• RQ3 与原始的、受堆积效应影响的退化数据相比，神经网络在计数平均值上的相对误差减少程度如何？
• RQ4 该方法在不同衰减路径和探测器类型下是否保持低方差和高保真度？
• RQ5 该方法是否能在不重新训练的情况下泛化至不同脉冲波形和检测模式（中断型与非中断型）？

主要发现

• 所提出的神经网络方法相比原始的、受堆积效应影响的退化数据，将计数平均值的相对误差降低了整整一个数量级。
• 在所有测试条件下，估计的真实计数（Ydes）与模拟真实值（Y）之间的平均偏差小于1.5%，最大偏差低于5.5%。
• 该方法在四种不同的PCD配置中均表现出一致性能：单极性/非中断型、单极性/中断型、双极性/非中断型和双极性/中断型。
• 在所有探测器类型和DLP水平（0.1%、1%、10%）下的平均偏差低于0.3%，表明对无PPE数据的估计具有高度准确性。
• 该方法在广泛范围的衰减路径下保持合理的方差，表明对不同射束强度和材料厚度具有鲁棒性。
• 用于生成Ydes的数据归一化过程高度准确，即使在高堆积水平（10% DLR）下，平均偏差也低于1.5%，验证了训练数据的质量。