[论文解读] Sinogram-consistency learning in CT for metal artifact reduction.

Hyoung Suk Park, Yong Eun Chung+3 more|arXiv (Cornell University)|Aug 2, 2017

Advanced X-ray and CT Imaging被引用 15

一句话总结

本文提出了一种基于深度学习的原始图一致性学习方法，通过修复由高衰减材料引起的不一致原始图，以减少多能谱CT中的 beam-hardening 伪影。利用患者特定的模拟训练数据，该方法学习消除金属植入物引起的 beam-hardening 效应，显著提高了原始图的一致性，并减少了重建图像中的条纹状和阴影伪影。

ABSTRACT

This paper proposes a sinogram consistency learning method to deal with beam-hardening related artifacts in polychromatic computerized tomography (CT). The presence of highly attenuating materials in the scan field causes an inconsistent sinogram, that does not match the range space of the Radon transform. When the mismatched data are entered into the range space during CT reconstruction, streaking and shading artifacts are generated owing to the inherent nature of the inverse Radon transform. The proposed learning method aims to repair inconsistent sinograms by removing the primary metal-induced beam-hardening factors along the metal trace in the sinogram. Taking account of the fundamental difficulty in obtaining sufficient training data in a medical environment, the learning method is designed to use simulated training data. We use a patient-type specific learning model to simplify the learning process. The quality of sinogram repair was established through data inconsistency-evaluation and acceptance checking, which were conducted using a specially designed inconsistency-evaluation function that identifies the degree and structure of mismatch in terms of projection angles. The results show that our method successfully corrects sinogram inconsistency by extracting beam-hardening sources by means of deep learning.

研究动机与目标

• 解决由金属植入物等高衰减材料引起的多能谱CT中的 beam-hardening 伪影问题。
• 校正偏离 Radon 变换值域空间的不一致原始图，此类偏差会导致条纹状和阴影伪影。
• 开发一种基于学习的方法，通过识别并去除沿金属轨迹的 beam-hardening 因素来修复原始图。
• 通过使用患者类型特定的模拟训练数据，克服真实患者训练数据有限的挑战。
• 使用自定义的不一致性评估函数，量化不同投影角度之间的不匹配程度，以评估原始图修复质量。

提出的方法

• 在模拟原始图上训练深度学习模型，以学习在存在金属物体时校正 beam-hardening 效应。
• 该方法采用患者特定的学习框架，以简化从不一致原始图到一致原始图的映射过程。
• 设计了一种特殊的不一致性评估函数，用于量化不同投影角度下原始图不匹配的程度和空间结构。
• 模型通过学习将不一致的原始图投影到 Radon 变换的有效值域空间中，以最小化不一致性。
• 该方法专注于去除沿金属轨迹的主 beam-hardening 因素，而非直接重建完整图像。
• 该方法利用 Radon 变换的固有结构，引导学习过程朝向物理上合理的原始图修复方向。

实验结果

研究问题

• RQ1 深度学习能否有效修复多能谱CT中由 beam-hardening 引起的不一致原始图？
• RQ2 在模拟数据上训练的模型在真实世界CT扫描中减少金属诱导伪影方面的泛化能力如何？
• RQ3 所提出的方法在不同投影角度上能将原始图一致性恢复到何种程度？
• RQ4 与通用模型相比，患者特定的学习方法是否能提高原始图修复的准确性和效率？
• RQ5 不一致性评估函数如何量化并指导原始图修复质量的改进？

主要发现

• 所提出的方法通过利用深度学习识别并去除沿金属轨迹的 beam-hardening 因素，成功减少了原始图的不一致性。
• 不一致性评估函数有效量化了原始图不匹配的程度和角度结构，从而实现了有针对性的改进。
• 患者特定的学习模型通过适配个体解剖特征，提高了原始图修复的准确性。
• 通过校正原始图中的不一致性，该方法显著减少了重建图像中的伪影。
• 尽管临床环境中真实患者数据稀缺，但使用模拟训练数据仍能实现有效的学习。
• 结果表明，基于学习的原始图修复可显著提升图像质量，减少条纹状和阴影伪影。