LEARN: Learned Experts‘ Assessment-Based Reconstruction Network for Sparse-Data CT

摘要

传统的压缩感知（CS）在处理稀疏数据CT重建方面取得了成效，但参数选择仍然是一个主要问题。该论文通过展开一种基于机器学习的FoE（Fields of Experts）模型，将其迭代重建方案用于数据驱动训练。LEARN网络从训练数据中学习所有正则化项和参数，并在Mayo Clinic的低剂量CT数据集上取得了优异的结果，减少了伪影，提高了特征保留度并提高了计算速度。

引言

稀疏数据CT在学术上和临床上都具有重要意义。传统的ART、SART等迭代方法对于稀疏数据CT重建效果不佳（重建计算量增加，且易出现伪影和噪声），而压缩感知（CS）方法在这方面取得了一定的进展。该论文基于FoE正则化模型，通过深度学习技术优化参数，从而提高了重建图像质量。

LEARN网络的概念与结构

LEARN网络的概念：

• LEARN网络是一种基于深度学习的迭代重建方法，灵感来源于领域专家评估的理念，目标是从稀疏采样的CT数据中重建出高质量的CT图像。
• 该网络结合了压缩感知和深度学习的优势，在迭代重建过程中自适应地学习正则化项与平衡参数。

LEARN网络的结构：

• 总体结构：

  • 网络包括若干个迭代模块，每个模块由数据一致性更新和正则化更新两个部分组成。
  • 每个迭代模块模拟了迭代重建过程中的一个步骤，将其展开成深度网络层。

• 数据一致性更新：

  • 数据一致性项确保重建图像与投影数据保持一致。

• 正则化更新：

  • 正则化项用于去除噪声和伪影，提高图像质量。
  • 在每个迭代模块中，通过卷积神经网络（CNN）实现正则化操作。
  • 网络结构：
    • 3层卷积层（Convolutional Layer）
    • ReLU激活函数
    • 残差连接（Residual Connection）

• LEARN网络的总体架构：

  • 整个网络由多个迭代模块组成，每个模块都包括数据一致性更新与正则化更新。

LEARN网络的CT重建过程

1. 初始化：

   • 初始图像：将图像设为全零或使用滤波反投影（FBP）方法得到的粗略图像。
   • 投影矩阵：将系统矩阵(A)和反投影矩阵(A^T)加载到网络中。

2. 迭代过程：

   • 在每次迭代中，网络通过数据一致性更新和正则化更新对图像进行改进。

   • 数据一致性更新：根据投影数据与图像之间的误差调整图像。

   • 正则化更新：使用预训练的CNN作为正则化项去除伪影和噪音。

   • 输出结果：通过多次迭代，最终得到重建后的高质量图像。

LEARN网络的降噪机制

1. 稀疏数据降噪：

   • 由于稀疏数据采样导致的噪声与伪影，LEARN网络使用CNN来学习图像中的结构特征，区别噪声和真实纹理。
   • CNN学习到的正则化项可以在保持细节的同时去除噪声与伪影。

2. 领域专家评估策略（FoE）：

   • 捉图像的局部特征和纹理信息来描述复杂的图像先验
   • 将领域专家的知识和评估策略纳入到正则化项的学习中，确保正则化项更贴合实际应用。

3. 多尺度学习与自适应参数调整：

   • 网络通过多层次的学习策略，在不同尺度上去除噪声。
   • 正则化项和平衡参数可以自适应调整，确保在不同迭代中平衡数据一致性和正则化。

实验

数据集：

使用Mayo Clinic的低剂量CT数据集进行训练和测试。
数据集包含大量患者的胸部和腹部CT扫描，其中部分数据通过模拟减少剂量的方法进行稀疏采样，以产生稀疏数据CT的训练样本。

比较方法：

ASD-POCS（Adaptive Steepest Descent-Projection Onto Convex Sets）：自适应最速下降-凸集投影，是一种传统的迭代重建方法。
Dual-DL（Dual-Domain Deep Learning）：结合图像域和投影域的双域深度学习方法。
PWLS-TGV（Penalized Weighted Least Squares-Total Generalized Variation）：基于正则化的加权最小二乘法-总广义变分模型。
Gamma-Reg：基于Gamma分布正则化的重建方法。
FBPConvNet：一种结合滤波反投影（FBP）和卷积神经网络（CNN）的重建方法。

结果：

图像质量：LEARN网络在保持细节的同时，有效减少伪影和噪声。
定量指标：在PSNR、RMSE和SSIM方面均优于其他方法。
计算速度：计算速度比经典迭代重建算法快。