通过神经表示求解能量无关密度用于CT金属伪影消除

X射线CT在金属材料存在时常常出现阴影和 streaking 伪影，严重影响图像质量。从物理学角度看，金属的线性衰射系数(LAC)随X射线能量变化显著，导致CT测量中产生非线性束硬化效应(BHE)。从金属污染的测量数据重建CT图像因此成为一个具有挑战性的非线性逆问题。现有最先进(SOTA)的金属伪影消除(MAR)算法依赖于大量配对CT样本的监督学习。虽然这些监督方法前景广阔，但它们常常假设未知的LAC是能量无关的，忽略了由能量引起的BHE，从而导致泛化能力受限。此外，对大数据集的要求也限制了其在实际场景中的应用。在本工作中，我们提出了密度神经表示(Density neural representation, 简称Diner)，一种新型无监督MAR方法。我们的关键创新在于，将MAR问题形式化为严格遵循光子-组织吸收物理模型的能量无关密度重建问题。该模型本质上是非线性和复杂的，这在逆成像问题中很少被考虑。通过引入等效水组织近似和新的多色模型来描述非线性CT获取过程，我们直接从原始测量数据中学习密度图的神经表示，而无需使用外部训练数据。这种能量无关密度重建框架从根本上解决了非线性BHE，使我们能够在广泛的扫描场景中实现卓越的MAR性能。在模拟数据和真实数据集上的大量实验表明，我们无监督的Diner在MAR性能和鲁棒性方面优于流行的监督方法。