WNet: A data-driven dual-domain denoising model for sparse-view computed tomography with a trainable reconstruction layer

要約

ディープラーニングに基づくソリューションは、多種多様なアプリケーションで成功裏に実装されている。特に、臨床的なユースケースへの関心が高まっており、ここ数年で提案された最先端のデータ駆動型アルゴリズムのいくつかの主な原動力となっている。スパースビュー断層像再構成のように、撮影時間を短くし、放射線量を低く抑えるために測定データ量が少ないアプリケーションでは、ストリーキングアーチファクトを低減するために、データ駆動型ノイズ除去アルゴリズムの開発が進められている。我々は、スパースビューアーチファクト除去のための学習可能な再構成層を含むデータ駆動型デュアルドメイン除去モデルであるWNetを提案する。2つのエンコーダ・デコーダネットワークがサイノグラム領域と再構成領域の両方で同時にノイズ除去を行い、フィルタードバックプロジェクションアルゴリズムを実装した第3層が最初の2層に挟まれ、再構成処理を担当する。我々は、スパースビューの胸部CTスキャンにおけるネットワークの性能を調査し、従来の固定されたものよりも、学習可能な再構成層を持つことの付加的な利点を強調する。我々は、臨床的に関連する2つのデータセットで我々のネットワークをトレーニング及びテストし、得られた結果を3つの異なるタイプのスパースビューCTノイズ除去及び再構成アルゴリズムと比較する。

要約(オリジナル)

Deep learning based solutions are being succesfully implemented for a wide variety of applications. Most notably, clinical use-cases have gained an increased interest and have been the main driver behind some of the cutting-edge data-driven algorithms proposed in the last years. For applications like sparse-view tomographic reconstructions, where the amount of measurement data is small in order to keep acquisition times short and radiation dose low, reduction of the streaking artifacts has prompted the development of data-driven denoising algorithms with the main goal of obtaining diagnostically viable images with only a subset of a full-scan data. We propose WNet, a data-driven dual-domain denoising model which contains a trainable reconstruction layer for sparse-view artifact denoising. Two encoder-decoder networks perform denoising in both sinogram- and reconstruction-domain simultaneously, while a third layer implementing the Filtered Backprojection algorithm is sandwiched between the first two and takes care of the reconstruction operation. We investigate the performance of the network on sparse-view chest CT scans, and we highlight the added benefit of having a trainable reconstruction layer over the more conventional fixed ones. We train and test our network on two clinically relevant datasets and we compare the obtained results with three different types of sparse-view CT denoising and reconstruction algorithms.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL