[论文解读] Sparse-View Spectral CT Reconstruction Using Deep Learning

Wail Mustafa, Christian Kehl+5 more|arXiv (Cornell University)|Nov 30, 2020

Advanced X-ray and CT Imaging参考文献 78被引用 6

一句话总结

本文提出一种基于深度学习的方法，采用多通道U-Net从稀疏视角投影中重建高质量的光谱CT图像。通过使用共享卷积层联合处理所有光谱通道，该方法在推理速度和图像质量方面均优于当前最先进的迭代方法，同时有效利用通道间的相关性以减少噪声和伪影。

ABSTRACT

Spectral computed tomography (CT) is an emerging technology capable of providing high chemical specificity, which is crucial for many applications such as detecting threats in luggage. This type of application requires both fast and high-quality image reconstruction and is often based on sparse-view (few) projections. The conventional filtered back projection (FBP) method is fast but it produces low-quality images dominated by noise and artifacts in sparse-view CT. Iterative methods with, e.g., total variation regularizers can circumvent that but they are computationally expensive, as the computational load proportionally increases with the number of spectral channels. Instead, we propose an approach for fast reconstruction of sparse-view spectral CT data using a U-Net convolutional neural network architecture with multi-channel input and output. The network is trained to output high-quality CT images from FBP input image reconstructions. Our method is fast at run-time and because the internal convolutions are shared between the channels, the computational load increases only at the first and last layers, making it an efficient approach to process spectral data with a large number of channels. We have validated our approach using real CT scans. Our results show qualitatively and quantitatively that our approach outperforms the state-of-the-art iterative methods. Furthermore, the results indicate that the network can exploit the coupling of the channels to enhance the overall quality and robustness.

研究动机与目标

• 为解决稀疏视角光谱CT中传统FBP方法产生的图像质量低下、噪声大且存在伪影的问题。
• 克服将ART-TV和TNV等迭代方法应用于高通道光谱CT数据时计算不可行的问题。
• 开发一种快速、可扩展且鲁棒的重建方法，利用光谱通道间的耦合关系以提升图像质量。
• 证明深度学习在稀疏视角光谱CT中可同时在速度和重建质量方面超越迭代方法。

提出的方法

• 训练一个多通道U-Net卷积神经网络，将带有噪声和伪影的FBP重建图像映射为高质量的光谱CT图像。
• 网络在光谱通道间使用共享的卷积层，降低计算成本，并实现对大量通道的高效处理。
• 网络的输入为多通道FBP重建结果，输出为经过优化、伪影减少的光谱CT体积。
• 网络使用真实CT扫描数据进行端到端训练，损失函数最小化各光谱通道的重建误差。
• 该架构支持光谱通道的联合处理，使模型能够利用通道间的相关性以提升鲁棒性。
• 通过CPU和GPU实现评估方法，并与ART-TV、FBP以及DSIR（FBP + CNN）基线方法进行比较。

实验结果

研究问题

• RQ1 在FBP重建结果上进行训练的深度学习模型能否显著提升稀疏视角光谱CT的图像质量？
• RQ2 通过共享卷积实现光谱通道的联合处理，是否能比独立通道处理获得更高的重建质量与计算效率？
• RQ3 当某些光谱通道存在高噪声，或低能通道受金属伪影影响时，该模型表现如何？
• RQ4 所提出的方法能否在速度和图像质量方面超越当前最先进的迭代方法（如ART-TV和TNV）？
• RQ5 光谱通道耦合在多大程度上增强了重建的鲁棒性与一致性？

主要发现

• 所提方法在定量（如更高的SSIM和更低的RMSE）和定性方面均显著优于ART-TV和FBP。
• 在GPU上，该方法比ART-TV快约37倍，尽管使用的是现成的深度学习库，且比CNN基线快7倍。
• 网络在去噪和抑制伪影方面优于FBP，且在重建质量上超越DSIR（FBP + CNN）。
• 模型对高噪声通道和金属伪影表现出鲁棒性，表明其有效利用了通道间的光谱一致性。
• 计算复杂度主要由CNN推理决定，而非FBP步骤，32通道处理时间仅为6.4 ms（GPU）。
• 结果表明，通道耦合使网络能够利用健康通道补偿退化通道，从而增强整体鲁棒性。