[论文解读] One Network to Solve All ROIs: Deep Learning CT for Any ROI using Differentiated Backprojection

Yoseob Han, Jong Chul Ye|arXiv (Cornell University)|Oct 1, 2018

Medical Imaging Techniques and Applications参考文献 3被引用 3

一句话总结

本文提出两种深度学习网络，用于内部 computed tomography (CT) 重建，可泛化适用于任意感兴趣区域（ROI）尺寸、探测器间距和扫描角度。第一种网络校正滤波反投影（FBP）图像中的杯状伪影，第二种网络通过学习的有限希尔伯特变换反演直接反转截断的微分反投影（DBP）数据，相较于迭代方法在图像质量和速度方面表现更优，且运行时开销极低。

ABSTRACT

Computed tomography for region-of-interest (ROI) reconstruction has advantages of reducing X-ray radiation dose and using a small detector. However, standard analytic reconstruction methods suffer from severe cupping artifacts, and existing model-based iterative reconstruction methods require extensive computations. Recently, we proposed a deep neural network to learn the cupping artifact, but the network is not well generalized for different ROIs due to the singularities in the corrupted images. Therefore, there is an increasing demand for a neural network that works well for any ROI sizes. In this paper, two types of neural networks are designed. The first type learns ROI size-specific cupping artifacts from the analytic reconstruction images, whereas the second type network is to learn to invert the finite Hilbert transform from the truncated differentiated backprojection (DBP) data. Their generalizability for any ROI sizes is then examined. Experimental results show that the new type of neural network significantly outperforms the existing iterative methods for any ROI size in spite of significantly reduced run-time complexity. Since the proposed method consistently surpasses existing methods for any ROIs, it can be used as a general CT reconstruction engine for many practical applications without compromising possible detector truncation.

研究动机与目标

• 解决由于横向投影截断导致内部CT中严重杯状伪影的问题。
• 克服先前深度学习模型在特定ROI尺寸上训练后泛化能力差的局限。
• 开发一种在不同探测器尺寸、像素尺寸和扫描角度下均能稳健工作的重建方法。
• 与基于模型的迭代重建相比，降低计算复杂度，同时保持高图像质量。
• 通过创建一个通用的重建引擎，实现内部CT在临床实践中的实际应用。

提出的方法

• 设计一种Type I网络，学习从奇异且ROI尺寸特定的FBP重建图像中去除杯状伪影。
• 开发一种Type II网络，利用U-Net架构对微分反投影（DBP）数据中的截断希尔伯特变换进行反演。
• 通过改变探测器尺寸和角度起始位置的数据增强技术，提升Type II网络的泛化能力。
• 应用探测器和角度数据增强，以减少过拟合，并增强对截断变化的鲁棒性。
• 采用可微分的反演框架，学习有限希尔伯特变换反演的零空间参数和卷积核。
• 使用相同的U-Net架构训练两个网络，但输入表示不同：Type I使用FBP图像，Type II使用DBP数据。

实验结果

研究问题

• RQ1 深度学习模型是否能在无需微调的情况下泛化适用于不同ROI尺寸？
• RQ2 与FBP图像相比，使用微分反投影（DBP）数据作为输入是否能提升泛化能力？
• RQ3 通过改变探测器尺寸和扫描角度进行数据增强，对网络泛化能力有何影响？
• RQ4 单一神经网络架构是否能有效重建在不同采集参数下均高质量的图像？
• RQ5 Type II网络对有限希尔伯特变换的直接反演是否优于对FBP伪影的后处理？

主要发现

• 与Type I网络相比，Type II网络在不同ROI尺寸、探测器间距和扫描角度下具有显著更好的泛化能力。
• Type II网络在图像质量方面优于现有迭代重建方法，且运行时复杂度更低。
• 探测器和角度数据增强提升了Type II网络的泛化能力，但过度的探测器增强因对不同截断比率的平均化而轻微降低了性能。
• 由于DBP数据不包含产生FBP图像中条纹伪影的ramp滤波，Type II网络对稀疏视图和短扫描伪影的敏感性更低。
• Type II网络在不同采集场景下（包括不同探测器尺寸和角度起始点）均保持一致的性能表现。
• 所提方法在定量指标和视觉质量方面均优于最先进的迭代重建技术，且运行时间显著更短。