[论文解读] Precision Learning: Reconstruction Filter Kernel Discretization

Christopher Syben, Bernhard Stimpel+5 more|arXiv (Cornell University)|Oct 17, 2017

Medical Imaging Techniques and Applications参考文献 4被引用 14

一句话总结

本文提出一种数据驱动方法，通过直接训练深度神经网络来离散化频域中的连续Ramp滤波器，以学习计算机断层扫描（CT）中最佳的离散重建滤波器。该方法收敛于Ram-Lak解，表明深度学习能够内在地学习正确的滤波器离散化方式，从而实现无需启发式滤波器的完全可训练、数据驱动的CT重建。

ABSTRACT

In this paper, we present substantial evidence that a deep neural network will intrinsically learn the appropriate way to discretize the ideal continuous reconstruction filter. Currently, the Ram-Lak filter or heuristic filters which impose different noise assumptions are used for filtered back-projection. All of these, however, inhibit a fully data-driven reconstruction deep learning approach. In addition, the heuristic filters are not chosen in an optimal sense. To tackle this issue, we propose a formulation to directly learn the reconstruction filter. The filter is initialized with the ideal Ramp filter as a strong pre-training and learned in frequency domain. We compare the learned filter with the Ram-Lak and the Ramp filter on a numerical phantom as well as on a real CT dataset. The results show that the network properly discretizes the continuous Ramp filter and converges towards the Ram-Lak solution. In our view these observations are interesting to gain a better understanding of deep learning techniques and traditional analytic techniques such as Wiener filtering and discretization theory. Furthermore, this will allow fully trainable data-driven reconstruction deep learning approaches.

研究动机与目标

• 为克服Ram-Lak和Shepp-Logan等启发式滤波器的局限性，这些滤波器并非最优选择且对噪声敏感。
• 通过直接学习离散滤波器，实现完全数据驱动、可训练的基于深度学习的CT重建。
• 探究神经网络是否能够内在地学习理想连续Ramp滤波器的正确离散化。
• 提供一种与深度学习框架兼容的可微分、频域滤波器学习问题公式化方法。
• 通过原理性神经网络设计，探索分析信号处理（如维纳滤波、离散化理论）与深度学习之间的联系。

提出的方法

• 该方法在频域中通过最小化真实图像与重建图像之间L2差异的代价函数来形式化滤波器学习。
• 滤波器以理想连续Ramp滤波器作为强预训练信号进行初始化。
• 网络架构直接源自连续解析的FBP公式化，确保物理一致性。
• 使用反向传播计算梯度，以实现频域中滤波核的端到端优化。
• 该方法避免存储完整的系统矩阵，从而可在深度学习框架中高效实现。
• 该方法在数值圆盘幻像和真实CT猪数据集上进行评估，以检验泛化能力和伪影抑制效果。

实验结果

研究问题

• RQ1 深度神经网络能否在CT重建中学习到连续Ramp滤波器的最优离散化？
• RQ2 所学习的滤波器是否收敛于Ram-Lak解，表明其已正确学习离散化？
• RQ3 该网络能否泛化到训练数据之外，避免对特定物体（如圆盘）的过拟合？
• RQ4 在伪影抑制和重建精度方面，所学习的滤波器与启发式滤波器（如Ram-Lak、Shepp-Logan）相比表现如何？
• RQ5 训练期间引入噪声是否可使滤波器更具抗噪性，类似于维纳滤波？

主要发现

• 所学习的滤波器收敛于Ram-Lak解，表明网络内在地学习了连续Ramp滤波器的正确离散化。
• 在数值圆盘幻像上，所学习的滤波器相比Ram-Lak滤波器减少了杯状伪影和直流分量偏移，尽管线轮廓显示精度略低于Ram-Lak。
• 在真实CT猪数据集上，所学习的滤波器结果与Ram-Lak几乎完全一致，仅在平均HU（83.53 vs. 66.99）和标准差（68.06 vs. 61.40）方面存在微小差异。
• 所学习的滤波器未对训练数据过拟合，其在复杂解剖结构上的泛化能力良好，表明具有鲁棒性和对象无关性。
• 该方法通过在频域中用可学习组件替代固定滤波器，实现了完全可训练、数据驱动的重建流程。
• 结果表明，训练期间引入噪声可能产生更具抗噪性的滤波器，类似于维纳滤波。