一种用于 z 向稀疏排布多排探测器螺旋 CT 的级联双域深度学习重建方法
医学物理
2019-10-24 v2 机器学习
图像与视频处理
摘要
螺旋 CT 已广泛用于临床诊断。在探测器排数受限的情况下，z 向稀疏排布的多排探测器可增大探测器的覆盖范围，从而加快容积 CT 扫描、降低辐射剂量并减少运动伪影。然而，这会导致重建数据不足，即一般解析方法的重建会出现严重伪影。迭代重建方法或能应对此情况，但代价是巨大的计算负担。本工作中，我们提出一种级联双域深度学习方法，在投影域完成数据转换并在图像域进行误差抑制。首先，构建投影域卷积神经网络（CNN）以估计缺失的螺旋投影数据并将螺旋投影数据转换为二维扇束投影数据，该步骤用于抑制螺旋伪影并降低后续计算成本。随后，接一个解析线性算子将数据进行投影域到图像域的传递。最后，加入图像域 CNN 以进一步提升图像质量。这三步作为一个整体可端到端训练。整体网络使用来自 25 名患者的含泊松噪声的模拟肺部 CT 数据集训练，并在另外三名患者上评估，经视觉检查和定量比较均获得令人鼓舞的结果：RRMSE 为 6.56%，SSIM 为 99.60%。此外，我们在不同噪声水平的肺部 CT 数据集及一个新的牙科 CT 数据集上测试训练好的网络，以证明方法的泛化性与鲁棒性。
引用
@article{arxiv.1910.03746,
title = {A cascaded dual-domain deep learning reconstruction method for sparsely spaced multidetector helical CT},
author = {Ao Zheng and Hewei Gao and Li Zhang and Yuxiang Xing},
journal= {arXiv preprint arXiv:1910.03746},
year = {2019}
}