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
-
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。
-
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
-
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。
-
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。
-
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。