[论文解读] Sinogram interpolation for sparse-view micro-CT with deep learning neural network

Dong Xu, Swapnil Vekhande+1 more|arXiv (Cornell University)|Feb 9, 2019

Medical Imaging Techniques and Applications参考文献 19被引用 5

一句话总结

本文提出一种基于深度学习的条形图插值方法，采用带有残差学习的U-Net网络，用于稀疏视角微计算机断层成像（micro-CT），在90%视角稀疏度下显著提升了图像质量。当输入滤波反投影（FBP）算法时，插值后的条形图相较于传统线性插值方法，有效降低了均方根误差（RMSE）并提高了结构相似性指数（SSIM）。

ABSTRACT

In sparse-view Computed Tomography (CT), only a small number of projection images are taken around the object, and sinogram interpolation method has a significant impact on final image quality. When the amount of sparsity (the amount of missing views in sinogram data) is not high, conventional interpolation methods have yielded good results. When the amount of sparsity is high, more advanced sinogram interpolation methods are needed. Recently, several deep learning (DL) based sinogram interpolation methods have been proposed. However, those DL-based methods have mostly tested so far on computer simulated sinogram data rather experimentally acquired sinogram data. In this study, we developed a sinogram interpolation method for sparse-view micro-CT based on the combination of U-Net and residual learning. We applied the method to sinogram data obtained from sparse-view micro-CT experiments, where the sparsity reached 90%. The interpolated sinogram by the DL neural network was fed to FBP algorithm for reconstruction. The result shows that both RMSE and SSIM of CT image are greatly improved. The experimental results demonstrate that this sinogram interpolation method produce significantly better results over standard linear interpolation methods when the sinogram data are extremely sparse.

研究动机与目标

• 为解决因投影数据有限导致稀疏视角微计算机断层成像图像质量差的问题。
• 开发一种基于深度学习的条形图插值方法，适用于真实实验数据，而不仅限于模拟数据。
• 通过减少高度稀疏条形图数据中的伪影和噪声，提升图像重建质量。
• 证明在极端稀疏度条件（90%缺失视角）下，深度学习插值方法优于传统线性插值方法。

提出的方法

• 采用带有残差学习模块的U-Net架构，学习从稀疏条形图到密集条形图的映射关系。
• 在90%视角稀疏度的微计算机断层成像扫描真实实验条形图数据上，端到端训练该网络。
• 通过利用邻近视角的空间与角度上下文信息，使模型能够预测缺失的投影视角。
• 残差学习机制提升了梯度流动效率，增强了高稀疏度插值任务中的训练稳定性。
• 将插值后的条形图输入标准滤波反投影（FBP）算法进行图像重建。

实验结果

研究问题

• RQ1 基于深度学习的条形图插值方法是否能有效利用真实实验数据，在90%视角稀疏度下重建出高质量的CT图像？
• RQ2 所提出的带有残差学习的U-Net方法在图像质量指标方面，相较于传统线性插值方法表现如何？
• RQ3 该深度学习模型是否能很好地泛化到真实世界微计算机断层成像数据，而不仅限于模拟数据？
• RQ4 该插值方法在多大程度上减少了最终重建CT图像中的伪影和噪声？

主要发现

• 在90%稀疏度下，与线性插值相比，所提出方法显著降低了重建CT图像的均方根误差（RMSE）。
• 重建图像的结构相似性指数（SSIM）得到显著提升，表明图像结构得到更好保留。
• 与线性插值相比，基于深度学习的插值方法在视觉上产生更少的条状伪影和噪声。
• 该方法在真实实验数据上表现出强大性能，验证了其在模拟之外的实际应用潜力。