利用深度学习重建中的不确定性进行脑部锥束CT成像
摘要
超越传统锥束CT（CBCT）系统极限的对比度分辨率对于高质量脑部成像至关重要。我们提出一种深度学习重建方法（称为DL-Recon），该方法将基于物理原理的重建模型与基于合成图像中统计不确定性的DL图像合成相集成。开发了一个合成网络，从未校正的滤波反投影（FBP）图像生成合成CBCT图像（DL-Synthesis）。为提高泛化能力（包括准确表示训练中未见的病灶），使用贝叶斯推断技术（蒙特卡洛 dropout）计算DL-Synthesis的逐体素认知不确定性。在高不确定性区域，DL-Recon方法融合来自基于物理的重建模型和伪影校正投影数据的信息。提出了两种DL-Recon方法：（i）由DL不确定性加权的DL-Synthesis与FBP的图像域融合（DL-FBP）；（ii）基于模型的迭代图像重建（MBIR）优化，利用DL-Synthesis基于DL不确定性计算空间变化正则化项（DL-MBIR）。DL-Synthesis图像中的误差与合成估计中的不确定性相关。与FBP和PWLS相比，DL-Recon方法（DL-FBP和DL-MBIR）在匹配空间分辨率下噪声降低约50%，图像均匀性提高约40-70%。单独的常规DL-Synthesis在模拟和真实脑部病灶中表现出病灶对比度低估约10-60%，病灶分割精度（Dice系数）降低约5-40%，表明其对训练数据中未见结构缺乏可靠性/泛化能力。DL-FBP和DL-MBIR通过在高不确定性区域直接融合来自测量的信息，提高了重建精度。
引用
@article{arxiv.2108.09229,
title = {Using Uncertainty in Deep Learning Reconstruction for Cone-Beam CT of the Brain},
author = {Pengwei Wu and Alejandro Sisniega and Ali Uneri and Runze Han and Craig Jones and Prasad Vagdargi and Xiaoxuan Zhang and Mark Luciano and William Anderson and Jeffrey Siewerdsen},
journal= {arXiv preprint arXiv:2108.09229},
year = {2021}
}
备注
This work was presented at the 16th International Meeting on Fully Three-Dimensional Image Reconstruction in Radiology and Nuclear Medicine (Fully3D), July 19-23, 2021, Leuven, Belgium