A Review of Deep Learning CT ReconstructionFrom Incomplete Projection Data
论文题目:基于深度学习的CT稀疏投影数据重建研究综述
论文链接:论文链接
发表时间:2023
发表期刊:IEEE Transactions on Radiation and Plasma Medical Sciences
---摘要---
CT是一种广泛应用于医疗和工业应用的成像技术。然而,准确的CT重建需要完整的投影数据,而不完整的数据会导致重建图像中出现明显的伪影,从而影响其后续检测和诊断的可靠性。因此,从不完整的投影数据中进行精确的CT重建仍然是放射学中一个具有挑战性的研究领域。随着深度学习技术的快速发展,人们提出了许多基于深度学习的方法来从不完全投影数据中重建CT。然而,总结这一领域最新进展的综合调查有限。本文全面概述了目前最先进的基于DL的CT不完全投影重建技术,包括稀疏视图重建、有限角度重建、金属伪影减少、内部断层扫描和环形伪影减少。该综述涵盖了针对这五个问题的各种基于dl的解决方案、现有方法的潜在局限性以及未来的研究方向。
---方法---
投影数据不完整的原因
不完整的采样视图问题、金属植入物问题、内部问题、环形伪影问题
A. 不完整的采样视图问题
不完全采样视图问题具体对应两种情况,包括 SV 采样问题和 LA 采样问题,其中仅获得全扫描范围内的部分投影数据。
SV采样通常用于减少对人体的辐射暴露。此外,它还可以缩短扫描时间,减少由于摇晃、心跳和呼吸运动引起的运动伪影。由于某些角度的投影数据缺失,在重建的图像中引入了条纹伪影,其中重要的细节可能会受到影响。
当扫描区域或系统硬件受到限制并且辐射源只能在有限的角度范围内旋转时,将应用LA扫描。例如,由于成像对象结构的限制,以及系统扫描几何位置的限制,采集的数据在连续的角度范围内遗漏了一些投影,导致LA采样。在LA采样的情况下,重建的CT图像通常会受到定向伪影和结构畸变的影响。
B. 金属植入物问题
对于包含金属物体的扫描区域,X 射线将经历严重的衰减。例如,CT扫描区域经常会遇到衰减系数高的物质,如金属植入物、骨折髓内钉、钢板、心脏起搏器、血管支架、人工髋关节、金属假牙等。金属植入物问题是实际应用中典型的外部问题。当 X 射线穿过金属时,大部分光子被吸收,导致在这些 X 射线上检测组织信息的挑战。这会导致预测数据不完整,丢失重要信息。重建的图像中会有明暗交替的伪影,称为金属伪影。这些金属伪影阻碍和破坏了器官和病变的识别,从而影