Limited Angle Tomography Reconstruction: Synthetic Reconstruction via Unsupervised Sinogram Adaptation
Abstract
计算机断层扫描(Computed Tomography, CT)是临床常用的一种扫描方法,有限角度断层扫描重建在诊断CT、乳房断层扫描、牙科断层扫描等方面有着重要的应用。然而,从有限角度重建的CT图像由于不完整的正弦图数据而存在严重的伪影。虽然现有的迭代重建方法相对于滤波后的反投影提高了图像质量,但这些方法需要大量的计算量,而且常常提供不理想的图像。为了进一步提高有限角度重建的图像质量,已经提出了有监督的深度学习方法。然而,在这种应用中,监督深度学习的一个关键限制是缺乏大规模真实的正弦-重建图像对进行训练。由于在野外有大量的CT图像可用,我们可以创建大量模拟的正弦-重建图像对。因此,如果模拟的正弦图(如单色)能够训练一个重构网络来得到真实的正弦图(如多色源、散射、波束硬化),就可以减少对真实的成对正弦图重建数据的需求。本文提出了一种端到端有限角层析成像重建对抗网络(Tomo-GAN),该网络采用无监督正弦图自适应,无需真实的正弦图重建对。TomoGAN通过使用(1)来自仿真域和真实域的未配对sinograms和(2)仅来自仿真域的大规模重建图像进行训练。Tomo-GAN是基于相似度约束的周期一致sinogram自适应网络和多尺度条件重构网络构建的。在有限角度设置的公共数据集上的实验结果表明,该方法在显著减少重构计算时间的同时,与以前的方法相比有了一致的改进。
关键词:有限角CT重建·Sinogram域自适应·生成对抗学习·Sinogram模拟
1 Introduction
计算机断层扫描(CT)是当今医疗保健和工业应用中最常见的成像方式之一。在CT中,从不同的视角获得x射线衰减测量值,创建一个正弦图,然后用于生成三维物体[1]的横断面图像堆栈。传统CT的设置,一个假设访问收集全面的测量对象的观点,即θ∈[0180],但最近的技术越来越多的被开发时,可以恢复图像的一部分正弦图视图缺失,即当θ∈(0,θmax),θmax < 180。这些被称为有限角度投影,在这种情况下重建是高度不适定的,这可以从现有方法的性能较差得到证明。
与全扫描相比,有限角度CT扫描可以提供许多好处。首先,通过限制扫描弧的物理运动可以大大缩短扫描时间。在临床实践中,CT被用于研究高度动态的器官,如心脏和肺。高时间分辨率是最重要的;即使稍微长一点的扫描时间也会导致图像中明显的运动模糊[2,3]。其次,有限的角度设置可以帮助将扫描区域限制在一个感兴趣的区域,如乳房断层扫描[4]和牙科断层扫描[5]。它还可以支持涉及物体的应用,这些物体有物理限制,限制了它们的扫描角度,例如电子低温层析成像[6,7]。
以往的工作试图通过各种公式来解决有限角度重建问题,如sinogram regression from limited view to full-view[8],Filter Back Projection (FBP)[9]得到的伪影的减少,以及使用卷积神经网络从FBP[10]得到初始重构。然而,这些技术只使用简单的数据集,很少变化或依赖监督训练,这需要大规模的真实的正弦图重建CT对。在计算机视觉中,有限角度的重建可以表述为当感兴趣的物体被部分遮挡时的场景重建。数据驱动方法在解决类似的具有挑战性的图像恢复问题[11]方面做出了重要贡献,例如图像补全[12]和超分辨率成像[13]。这些方法利用了大规模数据集的可用性和深度学习的表达能力,为数据恢复问题施加隐含的约束。然而,有限角度CT重建有几个额外的主要挑战。首先,不同器官不同疾病患者的CT图像可能非常复杂,没有有效的低维结构。在这种情况下,训练网络直接预测从给定的sinogram重建图像是非常具有挑战性的,即使全扫描sinogram是可用的。由于对患者数据和CT扫描仪投影数据的访问有限,收集大规模真实的正弦图重建数据是不现实的,因此这个问题变得更具挑战性。因此,目前大多数方法仍然依赖于FBP[10]或迭代方法,如代数重建