[论文解读] Robust X-ray Sparse-view Phase Tomography via Hierarchical Synthesis Convolutional Neural Networks

Ziling Wu, Abdulaziz Alorf+3 more|arXiv (Cornell University)|Jan 30, 2019

Advanced X-ray Imaging Techniques参考文献 42被引用 10

一句话总结

该论文提出了一种分层合成卷积神经网络（HSCNN），用于实现鲁棒的X射线稀疏视角相位断层扫描，通过在训练过程中分离受采样偏差影响的图像频段，并分层重建以减少过拟合和网络复杂度。该方法在稀疏视角和相位对比成像场景下，基于模拟和实验数据验证，实现了相当或更优的重建质量，同时计算成本显著降低。

ABSTRACT

Convolutional Neural Networks (CNN) based image reconstruction methods have been intensely used for X-ray computed tomography (CT) reconstruction applications. Despite great success, good performance of this data-based approach critically relies on a representative big training data set and a dense convoluted deep network. The indiscriminating convolution connections over all dense layers could be prone to over-fitting, where sampling biases are wrongly integrated as features for the reconstruction. In this paper, we report a robust hierarchical synthesis reconstruction approach, where training data is pre-processed to separate the information on the domains where sampling biases are suspected. These split bands are then trained separately and combined successively through a hierarchical synthesis network. We apply the hierarchical synthesis reconstruction for two important and classical tomography reconstruction scenarios: the spares-view reconstruction and the phase reconstruction. Our simulated and experimental results show that comparable or improved performances are achieved with a dramatic reduction of network complexity and computational cost. This method can be generalized to a wide range of applications including material characterization, in-vivo monitoring and dynamic 4D imaging.

研究动机与目标

• 解决大规模训练数据中采样偏差导致的基于深度CNN的X射线CT重建中过拟合的问题。
• 在不牺牲图像质量的前提下，降低稀疏视角和相位对比CT重建中的网络复杂度与计算成本。
• 为低剂量和动态4D成像应用开发一个鲁棒且可泛化的框架。
• 在分层合成之前，将存在采样偏差疑虑的图像区域解耦并分别处理。
• 通过轻量级分层网络架构，实现从有限角度或稀疏视角投影中高保真重建。

提出的方法

• 预处理训练数据，以隔离疑似含有采样偏差的图像频段。
• 在每个预处理后的频段上独立训练子网络，以分别学习特定域的特征。
• 使用分层合成网络按顺序组合各个子网络的输出。
• 将HSCNN框架应用于稀疏视角重建和相位对比断层扫描任务。
• 利用分层结构减少参数共享，缓解由偏差数据引起的过拟合。
• 通过可微分的合成过程端到端优化网络，以保持结构保真度。

实验结果

研究问题

• RQ1 对疑似存在采样偏差的图像频段进行分层处理，是否能提升稀疏视角X射线CT重建的鲁棒性？
• RQ2 将存在偏差的图像频段分开训练，是否能减少基于深度CNN的重建中的过拟合？
• RQ3 分层合成网络是否能在显著降低模型复杂度的同时实现相当或更优的性能？
• RQ4 HSCNN方法在投影数据有限的相位对比断层扫描中表现如何？
• RQ5 所提出的方法在动态4D成像和材料表征中具有多大程度的泛化能力？

主要发现

• HSCNN在模拟和实验的稀疏视角CT数据上，重建质量与标准CNN相当或更优。
• 由于采用分层频段训练策略，网络复杂度和计算成本显著降低。
• 通过隔离并单独训练受采样偏差影响的图像频段，该方法有效缓解了过拟合。
• 相位对比重建结果表明，与基线方法相比，结构保留更佳且伪影更少。
• 由于其鲁棒性和高效性，该框架在多种应用中表现出良好的泛化能力，包括在体监测和动态4D成像。
• 消融实验确认，与端到端全连接网络相比，分层合成能带来更优的特征学习和泛化能力。