[阅读笔记]Improving Generalizability in Limited-Angle CT Reconstruction with Sinogram Extrapolation
利用正弦圖外推法提高有限角度CT重建的泛化能力
由于是有限角，所以就稍微看看吧
為了提高圖像質(zhì)量，文獻(xiàn)中提出了許多CT圖像重建算法，這些算法可以分為基于模型的方法和基于深度學(xué)習(xí)的方法。例如，濾波反投影(FBP)作為一種有代表性的分析方法，被廣泛用于高效地重建高質(zhì)量的圖像。然而，FBP更喜歡全方位視角的收購(gòu)，這使得將其用于Lact不是最優(yōu)的。投影角范圍的減少(有時(shí)是極端的)降低了商業(yè)CT重建算法的有效性。為了克服這一挑戰(zhàn)，提出了基于迭代正則化的算法來(lái)利用待重建圖像的先驗(yàn)知識(shí)，以獲得更好的LACT重建性能。請(qǐng)注意，這些迭代算法的計(jì)算成本通常很高，并且需要仔細(xì)地逐個(gè)調(diào)整超參數(shù)。
目前，深度學(xué)習(xí)技術(shù)已被廣泛應(yīng)用于CT，并顯示出良好的重建性能。通過(guò)進(jìn)一步將迭代算法與動(dòng)態(tài)鏈?zhǔn)剿惴ㄏ嘟Y(jié)合，提出了一系列迭代框架和相應(yīng)設(shè)計(jì)的神經(jīng)網(wǎng)絡(luò)模塊。ADMMNet在重構(gòu)問(wèn)題中引入了神經(jīng)網(wǎng)絡(luò)模型，并取得了顯著的效果。此外，DuDoNet、ADMM-CSNET和Lain++在投影域中增加了增強(qiáng)模塊來(lái)改進(jìn)重建結(jié)果，這啟發(fā)了我們?cè)谀Ｐ驮O(shè)計(jì)中融合雙域?qū)W習(xí)。盡管基于深度學(xué)習(xí)的算法已經(jīng)獲得了最先進(jìn)的性能，但眾所周知，它們也很容易過(guò)度擬合訓(xùn)練數(shù)據(jù)，這在實(shí)踐中是不可取的。然后提出了MetaInvNet來(lái)改進(jìn)稀疏視圖投影的重建性能，表現(xiàn)出良好的模型泛化能力。他們?cè)噲D為具有UNet的迭代HQSCG模型找到更好的初始化，并在這樣的場(chǎng)景中獲得更好的泛化性能。但他們?nèi)匀话阎攸c(diǎn)放在擁有大量獲得性預(yù)測(cè)的情況下，這限制了他們的模型在實(shí)踐中的應(yīng)用。如何在從實(shí)際數(shù)據(jù)中學(xué)習(xí)時(shí)獲得一個(gè)具有高度普適性的模型仍然是一個(gè)困難的問(wèn)題。為了在LACT重建中保持模型的泛化能力，我們提出了一種用于恢復(fù)高質(zhì)量CT圖像的模型，稱(chēng)為ExtraPolationNetwork(EPNet)。在該模型中，利用雙域?qū)W習(xí)來(lái)強(qiáng)調(diào)圖像域和投影域之間的數(shù)據(jù)一致性，并引入了外推模塊。建議的外推模塊有助于補(bǔ)充投影域中遺漏的信息，并為重建提供額外的細(xì)節(jié)。大量的實(shí)驗(yàn)結(jié)果表明，該模型在NIH-AAPM數(shù)據(jù)集上達(dá)到了最先進(jìn)的性能。此外，該研究還在額外的數(shù)據(jù)集新冠肺炎和LIDC上取得了更好的泛化性能。
方法：
模型是通過(guò)N次迭代展開(kāi)HQS-CG算法來(lái)構(gòu)建的。具體地說(shuō)，利用Init-CNN模塊在每次迭代中為共軛梯度(CG)算法尋找更好的初始化。該模塊的輸入由來(lái)自圖像域和投影域的重建圖像組成。在圖像域中，對(duì)基本的HQS-CG模型進(jìn)行重新訓(xùn)練，并使用CG模塊進(jìn)行重建。在投影域，首先使用提出的外推層(EPL)來(lái)估計(jì)額外的正弦圖。然后，我們使用正弦圖增強(qiáng)網(wǎng)絡(luò)(SENET)對(duì)外推的正弦圖進(jìn)行內(nèi)嵌，并使用Radon反轉(zhuǎn)層(RIL)來(lái)重建它們，RIL具有向后傳播梯度到前一層的能力。
它通過(guò)圖像域和正弦圖域中的兩條平行流水線重建CT圖像。在正弦圖域中，在SENET之前提出了一個(gè)外推層，以獲取圖像細(xì)節(jié)的額外先驗(yàn)信息。然后將重建的正弦圖域和圖像域的圖像拼接在一起，然后用“Init-CNN”模塊為共軛梯度算法提供更準(zhǔn)確的初始化估計(jì)。?
?
?Init-CNN和RIL：實(shí)現(xiàn)了具有跳過(guò)連接的重型Unet結(jié)構(gòu)的Init-CNN模塊，從而穩(wěn)定了訓(xùn)練。此外，重型Unet在不同的步驟中共享參數(shù)，這被證明是更強(qiáng)大的最終重建。DuDoNet首先引入了Radon反轉(zhuǎn)層(RIL)，它建立了用于重建的雙域?qū)W習(xí)。在這里，我們使用該模塊從投影域獲得重建圖像。
?EPL：如前所述，角度范圍的縮小是有限角度場(chǎng)景中的主要瓶頸。此外，通常的插補(bǔ)技術(shù)不適用于這種情況。但很少有研究人員考慮使用CNN來(lái)外推正弦圖，因?yàn)檎覉D包含了相應(yīng)圖像的空間和時(shí)間(或視角)信息，因此可以提供更多的圖像細(xì)節(jié)。與圖像域的差異相比，不同數(shù)據(jù)分布的正弦圖在時(shí)間維度上也具有相似性。為了利用這一優(yōu)勢(shì)，提出了一個(gè)稱(chēng)為“外推層(EPL)”的模塊，用于在SENET之前外推正弦圖。
如圖2所示，EPL模塊由三個(gè)并行的卷積神經(jīng)網(wǎng)絡(luò)組成，其中左網(wǎng)絡(luò)和右網(wǎng)絡(luò)用于預(yù)測(cè)相應(yīng)側(cè)的相鄰正弦圖，中間網(wǎng)絡(luò)用于對(duì)輸入進(jìn)行去噪。然后，將這三個(gè)網(wǎng)絡(luò)的輸出連接起來(lái)，然后對(duì)擬議的監(jiān)督進(jìn)行如下定義：
其中，Y_OUT是預(yù)測(cè)的正弦圖，Y_GT是對(duì)應(yīng)的地面真值，MASK是強(qiáng)調(diào)雙邊預(yù)測(cè)的二進(jìn)制矩陣。在這里，我們利用RIL來(lái)實(shí)現(xiàn)預(yù)測(cè)的雙域一致性，這使得嵌入到整個(gè)模型中的模塊估計(jì)更加準(zhǔn)確。
?SENet：對(duì)于外推的正弦圖，我們首先使用SENET來(lái)增強(qiáng)正弦圖的質(zhì)量，它被設(shè)計(jì)成如圖3所示的輕型CNN。最后，通過(guò)RIL將增強(qiáng)的正弦圖映射到圖像域，這將有助于減少雙域?qū)W習(xí)中的不同優(yōu)化方向。SENET的目標(biāo)如下：
?其中，Y_SE是增強(qiáng)的正弦圖，Y_GT和U_GT分別是對(duì)應(yīng)的地面真實(shí)正弦圖和圖像。
損失函數(shù)：通過(guò)以上模塊，EPNet的完整目標(biāo)函數(shù)定義為：
其中N是展開(kāi)的后骨HQS-CG模型的總迭代次數(shù)，{u}i=1：N是每次迭代的重建圖像，Lssim是SSIM損失。?
?創(chuàng)新點(diǎn)在于模型結(jié)構(gòu)，模塊幾乎現(xiàn)有，但研究工作扎實(shí)做了，沒(méi)什么可挑剔。
論文：DDOS-GUARD (sci-hub.se)https://sci-hub.se/10.1007/978-3-030-87231-1_9
源碼：GitHub - mars11121/EPNetContribute to mars11121/EPNet development by creating an account on GitHub.https://github.com/mars11121/EPNet
總結(jié)
以上是生活随笔為你收集整理的[阅读笔记]Improving Generalizability in Limited-Angle CT Reconstruction with Sinogram Extrapolation的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。
