[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
為了提高圖像質量，文獻中提出了許多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習的方法。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量的圖像。然而，FBP更喜歡全方位視角的收購，這使得將其用于Lact不是最優的。投影角范圍的減少(有時是極端的)降低了商業CT重建算法的有效性。為了克服這一挑戰，提出了基于迭代正則化的算法來利用待重建圖像的先驗知識，以獲得更好的LACT重建性能。請注意，這些迭代算法的計算成本通常很高，并且需要仔細地逐個調整超參數。
目前，深度學習技術已被廣泛應用于CT，并顯示出良好的重建性能。通過進一步將迭代算法與動態鏈式算法相結合，提出了一系列迭代框架和相應設計的神經網絡模塊。ADMMNet在重構問題中引入了神經網絡模型，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模塊來改進重建結果，這啟發了我們在模型設計中融合雙域學習。盡管基于深度學習的算法已經獲得了最先進的性能，但眾所周知，它們也很容易過度擬合訓練數據，這在實踐中是不可取的。然后提出了MetaInvNet來改進稀疏視圖投影的重建性能，表現出良好的模型泛化能力。他們試圖為具有UNet的迭代HQSCG模型找到更好的初始化，并在這樣的場景中獲得更好的泛化性能。但他們仍然把重點放在擁有大量獲得性預測的情況下，這限制了他們的模型在實踐中的應用。如何在從實際數據中學習時獲得一個具有高度普適性的模型仍然是一個困難的問題。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高質量CT圖像的模型，稱為ExtraPolationNetwork(EPNet)。在該模型中，利用雙域學習來強調圖像域和投影域之間的數據一致性，并引入了外推模塊。建議的外推模塊有助于補充投影域中遺漏的信息，并為重建提供額外的細節。大量的實驗結果表明，該模型在NIH-AAPM數據集上達到了最先進的性能。此外，該研究還在額外的數據集新冠肺炎和LIDC上取得了更好的泛化性能。
方法：
模型是通過N次迭代展開HQS-CG算法來構建的。具體地說，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。該模塊的輸入由來自圖像域和投影域的重建圖像組成。在圖像域中，對基本的HQS-CG模型進行重新訓練，并使用CG模塊進行重建。在投影域，首先使用提出的外推層(EPL)來估計額外的正弦圖。然后，我們使用正弦圖增強網絡(SENET)對外推的正弦圖進行內嵌，并使用Radon反轉層(RIL)來重建它們，RIL具有向后傳播梯度到前一層的能力。
它通過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之前提出了一個外推層，以獲取圖像細節的額外先驗信息。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確的初始化估計。?
?
?Init-CNN和RIL：實現了具有跳過連接的重型Unet結構的Init-CNN模塊，從而穩定了訓練。此外，重型Unet在不同的步驟中共享參數，這被證明是更強大的最終重建。DuDoNet首先引入了Radon反轉層(RIL)，它建立了用于重建的雙域學習。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景中的主要瓶頸。此外，通常的插補技術不適用于這種情況。但很少有研究人員考慮使用CNN來外推正弦圖，因為正弦圖包含了相應圖像的空間和時間(或視角)信息，因此可以提供更多的圖像細節。與圖像域的差異相比，不同數據分布的正弦圖在時間維度上也具有相似性。為了利用這一優勢，提出了一個稱為“外推層(EPL)”的模塊，用于在SENET之前外推正弦圖。
如圖2所示，EPL模塊由三個并行的卷積神經網絡組成，其中左網絡和右網絡用于預測相應側的相鄰正弦圖，中間網絡用于對輸入進行去噪。然后，將這三個網絡的輸出連接起來，然后對擬議的監督進行如下定義：
其中，Y_OUT是預測的正弦圖，Y_GT是對應的地面真值，MASK是強調雙邊預測的二進制矩陣。在這里，我們利用RIL來實現預測的雙域一致性，這使得嵌入到整個模型中的模塊估計更加準確。
?SENet：對于外推的正弦圖，我們首先使用SENET來增強正弦圖的質量，它被設計成如圖3所示的輕型CNN。最后，通過RIL將增強的正弦圖映射到圖像域，這將有助于減少雙域學習中的不同優化方向。SENET的目標如下：
?其中，Y_SE是增強的正弦圖，Y_GT和U_GT分別是對應的地面真實正弦圖和圖像。
損失函數：通過以上模塊，EPNet的完整目標函數定義為：
其中N是展開的后骨HQS-CG模型的總迭代次數，{u}i=1：N是每次迭代的重建圖像，Lssim是SSIM損失。?
?創新點在于模型結構，模塊幾乎現有，但研究工作扎實做了，沒什么可挑剔。
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
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的全部內容，希望文章能夠幫你解決所遇到的問題。
