Metal-conscious Embedding for CBCT Projection Inpainting

要約

コーン ビーム コンピュータ断層撮影法 (CBCT) の投影画像に金属インプラントが存在すると、再構成画像の品質を低下させる望ましくないアーティファクトが発生します。
金属アーティファクトを削減するために、プロジェクション修復は、多くの金属アーティファクト削減アルゴリズムで不可欠なステップです。
この作業では、シフト ウィンドウ (Swin) ビジョン トランスフォーマー (ViT) と畳み込みニューラル ネットワークを組み合わせたハイブリッド ネットワークが、修復タスクのベースライン ネットワークとして提案されています。
Swin ViT ベースのエンコーダーに金属情報を組み込むために、金属を意識した自己埋め込み方法と近傍埋め込み方法が調査されています。
どちらの方法でも、ベースライン ネットワークのパフォーマンスが向上しました。
さらに、適切なウィンドウ サイズを選択することにより、近傍埋め込みを使用したモデルは、金属領域で最小の平均絶対誤差 0.079 を達成し、CBCT 投影で最大のピーク S/N 比 42.346 を達成できます。
最後に、シミュレートされた死体 CBCT データと実際の死体 CBCT データの両方に対する金属を意識した埋め込みの効率が実証され、ベースライン ネットワークの修復機能が強化されました。

要約(オリジナル)

The existence of metallic implants in projection images for cone-beam computed tomography (CBCT) introduces undesired artifacts which degrade the quality of reconstructed images. In order to reduce metal artifacts, projection inpainting is an essential step in many metal artifact reduction algorithms. In this work, a hybrid network combining the shift window (Swin) vision transformer (ViT) and a convolutional neural network is proposed as a baseline network for the inpainting task. To incorporate metal information for the Swin ViT-based encoder, metal-conscious self-embedding and neighborhood-embedding methods are investigated. Both methods have improved the performance of the baseline network. Furthermore, by choosing appropriate window size, the model with neighborhood-embedding could achieve the lowest mean absolute error of 0.079 in metal regions and the highest peak signal-to-noise ratio of 42.346 in CBCT projections. At the end, the efficiency of metal-conscious embedding on both simulated and real cadaver CBCT data has been demonstrated, where the inpainting capability of the baseline network has been enhanced.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google