[论文解读] Ring Artifact Correction in Photon-Counting Spectral CT Using a Convolutional Neural Network With Spectral Loss

Dennis Hein, Konstantinos Liappis+3 more|arXiv (Cornell University)|Feb 2, 2023

Advanced X-ray and CT Imaging被引用 4

一句话总结

本文提出一种基于深度学习的后处理方法，用于光子计数光谱CT中的环形伪影校正，采用带有新颖光谱损失的U-Net网络，该损失结合了物质基图像上的L1损失和70 keV虚拟单能图像上的感知损失。该方法有效减少了环形伪影，同时保留了细微的解剖结构细节，无需实时探测器校准即可生成高质量的40、70和100 keV虚拟单能图像。

ABSTRACT

Photon-counting spectral computed tomography is now clinically available. These new detectors come with the promise of higher contrast-to-noise ratio and spatial resolution and improved low-dose imaging. However, one important design consideration is to build detector elements that are sufficiently homogeneous. In practice, there will always be a degree of inhomogeneity in the detector elements, which will materialize as variations in the energy bin thresholds. Without proper detector calibration, this will lead to streak artifacts in the sinograms and corresponding ring artifacts in the reconstructed images, which limit their clinical usefulness. Since detector calibration is a time-consuming process, having access to a fast ring correction technique may greatly improve workflow. In this paper, we propose a deep learning-based post-processing technique for ring artifact correction in photon-counting spectral CT. We train a UNet with a custom loss to correct for ring artifacts in the material basis images. Our proposed loss is made ``task-aware'' by explicitly incorporating the fact that we are working with spectral CT by combining a L1-loss operating on the material basis images with a perceptual loss, using VGG16 as feature extractor, operating on 70 keV virtual monoenergetic images. Our results indicate that using this novel loss greatly improves performance. We demonstrate that our proposed method can successfully produce ring corrected 40, 70, and 100 keV virtual monoenergetic images.

研究动机与目标

• 解决由探测器非均匀性和能量阈值变化引起的光子计数光谱CT中的环形伪影问题。
• 开发一种快速的后处理方法，作为耗时探测器校准的替代方案。
• 通过校正环形伪影，在保持诊断细节的前提下提升光谱CT的图像质量。
• 探索一种任务感知损失函数（结合L1损失与感知损失）在光谱CT图像恢复中的有效性。
• 在多个能量水平下，对临床相关的虚拟单能图像评估该方法的性能。

提出的方法

• 使用U-Net架构在物质基图像上直接以图像域方式训练以校正环形伪影。
• 设计了一种自定义的光谱损失函数，将物质基图像上的像素级L1损失与70 keV虚拟单能图像上的感知损失相结合。
• 感知损失利用预训练的VGG16网络提取特征，以保留纹理和结构细节。
• 网络在从胸部和腹部临床CT扫描中提取的512×512图像块上进行训练。
• 该方法在图像域中运行，无需转换至极坐标空间，简化了实现过程。
• 采用端到端训练方式，结合L1损失与感知损失，以平衡图像保真度与感知质量。

实验结果

研究问题

• RQ1 深度学习模型是否能在不依赖反投影域处理的情况下，有效校正光子计数光谱CT中的环形伪影？
• RQ2 结合L1损失与感知损失的光谱损失是否能提升伪影校正效果，同时保留细微解剖结构细节？
• RQ3 该方法在不同能量水平（40、70、100 keV）的虚拟单能图像中泛化性能如何？
• RQ4 在当前训练数据有限的头部等复杂解剖区域，模型是否能有效处理环形伪影？
• RQ5 与标准的L1或L2损失相比，所提出的光谱损失在光谱CT环形伪影校正中是否更具有效性？

主要发现

• 所提出的方法成功生成了环形伪影校正后的40、70和100 keV虚拟单能图像，残留伪影极少。
• 结合L1损失与感知损失的光谱损失显著提升了图像质量，优于标准损失函数。
• 网络有效保留了细微细节与纹理，避免了仅使用L1损失时常见的过度平滑问题。
• 该方法在躯干扫描（胸部和腹部）中表现良好，但在头部扫描中因该解剖区域训练数据不足，对环形伪影的处理效果较差。
• 初步实验采用对抗性损失（WGAN-GP）未显著提升性能，且因计算成本过高而被放弃。
• 发现较大的图像块尺寸（512×512）对于光谱CT中的泛化至关重要，而较小的图像块（如128×128）导致性能显著下降。