读论文《On the Influence of Smoothness Constraints in Computed Tomography Motion Compensation》

论文题目：平滑性约束对计算机断层扫描运动补偿的影响

论文地址：2405.19079 (arxiv.org)

目的：CT运动伪影去除

摘要：

        计算机断层扫描(CT)在图像采集过程中依赖于精确的患者固定。然而，重建图像中的运动伪影仍然存在。运动补偿方法旨在纠正采集后的这些伪影，通常在估计的运动模式上结合时间平滑约束。

        本文分析了基于样条的运动模型在现有的锥束CT刚性运动补偿算法中对可恢复运动频率的影响。结果表明，运动模型的选择对可恢复频率有重要影响。根据Nyquist-Shannon定理，基于优化的运动补偿算法能够精确地拟合频率几乎达到节点相关的理论极限的样条节点。值得注意的是，较高的节点数不会影响慢动作模式的重建性能，但可以扩展所研究算法的可恢复高频范围。最终，最佳运动模型取决于成像解剖、临床用例和扫描方案，并应仔细定制预期的运动频谱，以确保准确的运动补偿。

        Nyquist-Shannon定理，也被称为采样定理，是信息论和信号处理领域中的一个基本定理。它由哈里·奈奎斯特（Harry Nyquist）和克劳德·香农（Claude Shannon）独立提出，描述了在不丢失信息的情况下，对连续时间信号进行数字化采样的最低采样率。

        根据采样定理，如果一个模拟信号的最高频率是，那么为了能够从采样值完全恢复原始信号，采样率必须至少是这个最高频率的两倍，即 ​。这个条件被称为奈奎斯特率。

        采样定理的关键在于，如果采样率低于奈奎斯特率，信号的高频成分就可能与低频成分发生混叠（aliasing），导致无法从采样值准确恢复原始信号。混叠现象是由于采样过程中高频信号的周期性重复，使得它们看起来像是低频信号的一部分。

 I. INTRODUCTION

        患者运动导致测量的正弦图与重建过程中假设的几何设置之间的不匹配，从而导致重建图像中的伪影。因此，运动补偿方法旨在在后处理步骤中消除这些伪影。

        大多数明确估计运动曲线的方法，随着时间的推移对运动模式施加了一种平滑性约束。通常，这是通过向目标函数添加正则化项来实现的，该正则化项隐式地惩罚非光滑运动模式，或者显式地用光滑函数近似运动模式。然而，这些建模决策对可以通过特定方法恢复的运动模式类型的影响通常没有进行研究.

        在这项工作中，我们对之前发表的运动补偿算法[1]进行了频率分析，该算法具有基于样条的运动模式显式表示。具体而言，我们制定了以下研究问题:

•该算法可以可靠地恢复患者运动模式中的哪些频率?

•这些频率与运动模型参数化恢复运动模式的选择有何关系?

•我们能否放宽平滑限制，以增加可拟合的恢复运动模式的范围?

[1] M. Thies, F. Wagner, N. Maul, H. Yu, M. Meier, L.-S. Schneider, M. Gu, S. Mei, L. Folle, and A. Maier, “A gradient-based approach to fast and accurate head motion compensation in cone-beam CT,” arXiv, 2024.

 II. METHODS

A.运动补偿算法

        这项工作建立在我们之前为锥束CT系统开发的刚性运动补偿算法的基础上[6]。它估计扫描范围内六个刚性运动参数的运动模式。这里，t□表示沿一个轴的平移，r□表示绕一个轴的旋转(欧拉角)。运动模式的估计是通过制定一个优化问题来完成的。目标函数的灵感来自于自动对焦原理，在给定当前运动参数估计的情况下计算中间重建。

        质量度量量化中间重建中剩余工件的数量，并指导对产生最大质量重建的运动模式的优化。对于中间重建，我们使用了一个计算解析雅可比矩阵的反向投影器。雅可比矩阵以可微的方式将中间重构空间与锥梁几何空间(由投影矩阵参数化)连接起来[7]。在此基础上，获得了质量度量对恢复运动模式自由参数的梯度，并进行了基于梯度的优化。质量度量是一种没有参考的映射，它只给出运动影响体积的中间重建的质量等级。它由一个神经网络参数化，该神经网络经过训练，将视觉信息保真度(VIF)[8]从输入重建中回归为空间分辨的体积图，然后进行简单平均，得到标量质量值。

B.基于样条（Spline-Based）的运动模型

        运动补偿算法保证了单独的刚性运动参数的平滑性。这是通过使用光滑的Akima样条近似参数随时间的值来实现的[9]。每个样条由Nn个节点参数化，这些节点分布在整个扫描范围内，间距相等，其中一个节点分别与扫描的第一个和最后一个投影对齐。鉴于扫描有Np个投影，基于样条的公式限制了运动估计期间需要拟合的自由参数的数量，从无约束设置的6Np到具有平滑约束(Nn < Np)设置的6Nn。

C.频率分析

        为了分析频率特性，在频域用不同频带限制的随机运动信号对数据进行扰动。对于六个刚性参数中的每一个，都采样一个无约束的随机运动模式x。随后，将傅里叶变换F应用于随机采样模式，并将高于某个截止频率的所有频率设置为零。经过傅里叶反变换，信号被重新缩放到预定义的最大幅度。得到的运动模式为

 其中b(·，·)在傅里叶域中以截止频率fc对信号进行带限制，r重新缩放信号的幅度。

图2显示了三个带限运动模式示例及其相应的截止频率。

        本文中的所有研究都独立于扫描仪特定采样率ω进行，以1/s测量，并在此获得投影。对于无平滑约束的完全随机运动模式，给定一定的扫描器相关采样率ω，可以测量到的最大频率为fmax = 0.5ω，由基本的Nyquist-Shannon采样定理推导。

        任何小于此最大频率的截止频率fc < fmax都会降低运动信号中存在的最高频率。对截止频率进行采样，使它们在对数空间中等距。为最小研究频率，为最高研究频率，对应于无约束运动。

III. DATA AND EXPERIMENTS 

         实验基于公开可用的CQ500数据集[10]，该数据集包含在不同螺旋多探测器CT扫描仪上获得的重建头部CT体积。对于本文的研究，我们使用了十次扫描的子集，这些扫描以0.625mm的小切片厚度重建。这些扫描还没有被纳入训练或开发质量度量回归网络，这是运动补偿管道的一部分。利用PyroNN软件[11]对重构体进行正演投影，得到锥束图。我们模拟了一个(潜在的运动扰动)360投影的圆形全扫描，源到等心距离为785mm，源到探测器距离为1200mm，探测器形状为500 × 700像素，各向同性像素间距(0.64mm)。运动补偿算法在1283个体素的重建体上运行，各向同性间距为2mm。为了评估，我们在所有维度上以2563体素和1mm间距的网格上重建数据。

[10] S. Chilamkurthy, R. Ghosh, S. Tanamala, M. Biviji, N. G. Campeau, V. K. Venugopal, V. Mahajan, P. Rao, and P. Warier, “Deep learning algorithms for detection of critical findings in head CT scans: a retro spective study,” The Lancet, vol. 392, no. 10162, pp. 2388–2396, 2018.

         运动补偿是通过执行以下步骤来执行的:首先，一个随机的、带限制的运动信号被采样，如第II-C节所述，使用最大幅度为5mm的平移和5◦的旋转。该信号用于对理想的圆形轨迹进行刚性扰动，并将数据集中的一个体积正投影到该运动影响的轨迹上。运动补偿算法以理想圆轨迹初始化。它根据第II-B节中解释的基于样条的表示尽可能精确地估计摄动模式。

IV. RESULTS

        运动补偿算法应用于10次扫描。15种不同的干扰运动模式与不同的截止频率fc应用于每个样本。每个组合使用30和100个节点对恢复信号进行样条建模，导致总共运行10·15·2 = 300次。在运动补偿前后分别计算了检测平面上投影点与重建体上的结构相似指数测量(SSIM)之间的偏差的重投影误差(RPE)。补偿前后的RPE和SSIM随截止频率的比值如图3所示。在较低的截止频率下，RPE比率(左)明显低于1.0，这表明RPE比初始状态有了很大的改善。对于最低的调查频率，具有30个节点的样条曲线比具有100个节点的样条曲线产生略好的结果。两种样条类型在fc = 0.02ω左右的中低频率上表现相同。当接近最大节点相关可测频率时，30个节点得到的结果变得更差(RPE比增加)。具有100个节点的样条曲线表现出相同的行为，但与具有较少节点的样条曲线相比，RPE的增加发生在更高的截止频率上。对于完全无约束的运动模式，两种样条都不会导致RPE的改善，或者只有非常小的改善。

 SSIM比率图(右)证实了这些发现。在这种情况下，较高的值表示运动补偿后图像质量得到改善。同样，我们观察到两种样条类型在低频率下的相似性能，直到30个节点可以恢复的最大频率。对于有30个节点的样条，SSIM比率下降，但对于有100个节点的样条，SSIM比率保持较高，直到分别达到100个节点的临界频率。两条样条都不产生物质改进无约束运动模式。

         图4显示了从相同扫描中获得的重建结果，但对于每个涡轮运动模式具有三个不同的截止频率。观察受运动影响的切片，我们看到运动模式的频率对运动伪影的外观有很强的影响。低频会导致形状失真和边缘不对齐，但一些区域仍然是均匀的。相反，高频率会导致重构结构图像的整体模糊和明显的条纹伪影，影响图像的所有区域。100个节点的运动补偿结果很好地恢复了两个低频的伪影，得到的重建图像与地面真实图像非常接近。然而，当fc = 0.069ω时，一些不均匀性仍然存在，特别是在软组织区域。根据Nyquist Shannon定理，图中fc = 0.259ω的最高频率高于100个节点的临界频率。因此，运动补偿的结果在一定程度上锐化了骨结构，但不能恢复由高频运动分量引起的模糊和条纹伪影。

 V. DISCUSSION

        研究结果表明，运动模型的选择对运动补偿算法所能恢复的运动模式类型有深远的影响。对于所研究的方法，根据Nyquist-Shannon给出的样条节点数，可以鲁棒恢复的频率受到采样率的限制。在显示RPE比率的图中，可以观察到，当频率略低于临界可恢复频率时，运动补偿的性能开始下降。这证实了所研究的运动补偿算法的优化能够使基于样条的运动模型在可恢复频率方面几乎达到其理论极限。对于低频运动模式，具有较少节点的样条导致RPE的较大改善，但这些似乎并没有转化为重建图像，因为即使在最低频率下，30和100个节点的SSIM比率也是相似的。另一方面，节点数量越多，可以恢复的频率范围就越大。因此，在所研究的方法中，如果不能可靠地估计运动信号中的最大期望频率，则优选更大的节点数似乎是合理的。

        在所研究的运动补偿算法中，网络从一个中间的、受运动影响的重建中回归质量度量，并以具有十个节点的样条曲线参数化的慢动作模式进行训练。有趣的是，这似乎对高频运动模式的目标函数没有不利影响。我们得出结论，质量回归网络可以很好地泛化到其他频率，而不是训练数据中存在的频率。

        本研究仅限于刚性头部运动，并假设运动发生在帧间，即在投影之间，而不是在获取单个投影期间。此外，我们只测试一个明确的，基于样条的运动模型。与正则化目标函数的隐式平滑约束的比较是这项工作的有价值的未来扩展。

VI. CONCLUSION

        在这项研究中，我们评估了平滑运动参数化对运动补偿重建的影响，这取决于运动信号的频谱。我们的研究结果表明，对于所研究的运动补偿算法，增加样条节点计数可以适应更高的运动频率，同时保持低频的鲁棒性。这一观察结果验证了该算法在宽松平滑约束下的有效性。最终，运动模型的选择对可恢复的运动模式有重大影响，应该在临床扫描协议和应用的背景下谨慎选择。

结束，很好，完全没看懂，后期再回来补充