Active CT Reconstruction with a Learned Sampling Policy

要約

コンピュータ断層撮影（CT）は，高画質な人体表現により臨床的な意思決定を支援する画像技術として広く利用されている．CTの放射線量を低減するために，画質を維持したまま撮影できるスパースビューCTやリミテッドアングルCTが開発されている．しかし、これらの方法は、固定または一様なサンプリング戦略に留まっており、より良い画像をより低い線量で取得する可能性を阻害している。本論文では、患者ごとにサンプリング位置を最適化するアクティブサンプリングポリシーを学習することで、この可能性を追求する。そのために、得られたサイノグラムを用いたその場での再構成に基づき、サンプリング位置を能動的に推薦するインテリジェントエージェント(intelligent agent)を設計し、漸進的にサンプリング位置の推薦を行う。このような設計により、NIH-AAPMデータセットにおいて、特にビュー数が少ない場合に、一般的な均一サンプリングよりも良好な性能を達成することができる。また、このような設計により、臨床的に重要な関心領域（RoI）において、RoIを考慮した再構成が可能となり、再構成品質が改善される。VerSeデータセットを用いた実験では、一様サンプリングでは困難な、このようなサンプリングポリシーの能力を実証している。

要約(オリジナル)

Computed tomography (CT) is a widely-used imaging technology that assists clinical decision-making with high-quality human body representations. To reduce the radiation dose posed by CT, sparse-view and limited-angle CT are developed with preserved image quality. However, these methods are still stuck with a fixed or uniform sampling strategy, which inhibits the possibility of acquiring a better image with an even reduced dose. In this paper, we explore this possibility via learning an active sampling policy that optimizes the sampling positions for patient-specific, high-quality reconstruction. To this end, we design an \textit{intelligent agent} for active recommendation of sampling positions based on on-the-fly reconstruction with obtained sinograms in a progressive fashion. With such a design, we achieve better performances on the NIH-AAPM dataset over popular uniform sampling, especially when the number of views is small. Finally, such a design also enables RoI-aware reconstruction with improved reconstruction quality within regions of interest (RoI’s) that are clinically important. Experiments on the VerSe dataset demonstrate this ability of our sampling policy, which is difficult to achieve based on uniform sampling.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL