[论文解读] Quantitative Comparison of Planar Coded Aperture Imaging Reconstruction Methods

Tobias Meißner, V. Rozhkov+3 more|arXiv (Cornell University)|Apr 29, 2022

Medical Imaging Techniques and Applications被引用 4

一句话总结

本文基于实验伽马相机数据，对平面编码孔径成像（CAI）的解析方法与基于深度学习的重建方法进行了定量比较。结果表明，尽管使用了低保真度的合成训练数据，定制化的卷积编码器-解码器（CED）模型在重建质量（对比噪声比提升1.37–2.60倍）和速度（300毫秒）方面均优于传统方法（如MURA解码和mLEM），凸显了数据驱动方法在核医学成像中的潜力。

ABSTRACT

Imaging distributions of radioactive sources plays a substantial role in nuclear medicine as well as in monitoring nuclear waste and its deposit. Coded Aperture Imaging has been proposed as an alternative to parallel or pinhole collimators, but requires image reconstruction as an extra step. Multiple reconstruction methods with varying run time and computational complexity have been proposed. Yet, no quantitative comparison between the different reconstruction methods has been carried out so far. This paper focuses on a comparison based on three sets of hot-rod phantom images captured with an experimental Gamma-camera consisting of a Tungsten-based MURA mask with a 2mm thick 256x256 pixelated CdTe semiconductor detector coupled to a Timepix readout circuit. Analytical reconstruction methods, MURA Decoding, Wiener Filter and a convolutional Maximum Likelihood Expectation Maximization (MLEM) algorithm were compared to data-driven Convolutional Encoder-Decoder (CED) approaches. The comparison is based on the contrast-to-noise ratio as it has been previously used to assess reconstruction quality. For the given set-up, MURA Decoding, the most commonly used CAI reconstruction method, provides robust reconstructions despite the assumption of a linear model. For single image reconstruction, however, MLEM performed best among analytical reconstruction methods, but took the longest with an average of 13s run time. The fastest reconstruction method is the Wiener Filter with 67ms and mediocre quality. The CED with a specifically tailored training set was able to succeed the most commonly used MURA decoding on average by a factor between 1.37 and 2.60 and a run time of around 300ms.

研究动机与目标

• 在真实实验设置中，对平面编码孔径成像（CAI）的解析方法与数据驱动重建方法的性能进行定量评估。
• 使用标准化指标——对比噪声比（CNR），评估多种方法在重建质量、计算时间与鲁棒性之间的权衡。
• 探究基于深度学习的重建方法（特别是使用特定应用训练数据）是否能够超越MURA解码和mLEM等既定解析方法。
• 为未来基准测试，公开提供来自三个热杆体模的高分辨率编码孔径图像数据集。
• 首次在此背景下重新实现并验证基于卷积的mLEM算法。

提出的方法

• 本研究使用带有256×256像素碲锌镉（CdTe）探测器和2毫米厚钨基MURA掩模的伽马相机采集的实验数据，固定物体与相机距离，对三个热杆体模进行成像。
• 解析重建方法包括MURA解码（线性模型）、维纳滤波（频域去卷积）以及基于先前提出方法的卷积mLEM算法。
• 数据驱动方法采用在合成数据上训练的卷积编码器-解码器（CED）神经网络架构，包含两种变体：一种使用自然照片，另一种使用源特定的合成体模。
• 通过对比噪声比（CNR）评估重建质量，该指标为核医学中的标准度量，跨所有体模和重建类型进行计算。
• CED在忽略近场效应、透射与散射的模拟数据上进行训练，导致与真实实验数据之间存在领域差距。
• 所有方法均在单图像与双图像重建场景下进行评估，以考察在不同光子统计与曝光时间下的性能表现。

实验结果

研究问题

• RQ1 在真实实验数据上，既有的解析CAI重建方法（MURA解码、维纳滤波、mLEM）在重建质量与计算时间方面如何比较？
• RQ2 当在合成数据上训练时，基于数据驱动的深度学习方法（CED）是否能在重建质量与速度两方面均优于解析方法？
• RQ3 在CED的训练数据中引入特定应用的先验知识，是否能相比通用训练数据提升重建性能？
• RQ4 合成训练数据与真实实验数据之间的领域差距在多大程度上影响了数据驱动CAI重建的性能？
• RQ5 基于卷积的mLEM算法能否成功地在实验CAI数据上重新实现并验证？其性能与其它解析方法相比如何？

主要发现

• MURA解码作为应用最广泛的解析方法，尽管依赖于线性系统模型，仍能提供稳健的重建结果，是可靠的基线方法。
• 在所有解析方法中，mLEM实现最高的重建质量，但平均每次重建耗时13秒，难以满足实时应用需求。
• 维纳滤波是最快的方法，运行时间仅67毫秒，但重建质量仅属中等，表明其质量-速度权衡表现不佳。
• 使用特定应用训练数据的CED在所有三个体模上的对比噪声比均比MURA解码提升1.37至2.60倍，证明其图像质量更优。
• 该CED仅用约300毫秒即实现此性能提升，显著优于mLEM的速度，同时在质量上也超越mLEM。
• 即使使用低保真度的合成训练数据，CED方法在真实实验数据上仍表现出强大的泛化能力，表明通过更精确的模拟进一步缓解领域差距，有望进一步提升性能。