Geometric Constraints Enable Self-Supervised Sinogram Inpainting in Sparse-View Tomography

要約

コンピュータ断層撮影 (CT) スキャンの診断品質は、通常、誘導される患者の線量、スキャン速度、および画質によって制限されます。
疎角断層撮影スキャンは、放射線被ばくを減らし、データ取得を加速しますが、画像のアーティファクトとノイズに悩まされます。
既存の画像処理アルゴリズムは CT 再構成の品質を復元できますが、多くの場合、大規模なトレーニング データ セットが必要になるか、切り捨てられたオブジェクトには使用できません。
この作業は、勾配ベースの最適化を介して欠落している射影ビューを学習できる自己教師付き射影修復方法を提示します。
投影データの独立したスタックを再構築することにより、CT 画像ドメインで自己教師付き損失が計算され、投影ジオメトリによって制約される欠落した断層ビューに一致するように投影画像強度を直接最適化するために使用されます。
実際の X 線顕微鏡 (XRM) 断層撮影マウス脛骨骨スキャンに関する実験では、補間ベースラインに関して、PSNR/SSIM に関して、この方法が再構成を 3.1-7.4%/7.7-17.6% 改善することが示されています。
私たちのアプローチは、断層撮影アプリケーション用の柔軟な自己教師付き投影修復ツールとして適用できます。

要約(オリジナル)

The diagnostic quality of computed tomography (CT) scans is usually restricted by the induced patient dose, scan speed, and image quality. Sparse-angle tomographic scans reduce radiation exposure and accelerate data acquisition, but suffer from image artifacts and noise. Existing image processing algorithms can restore CT reconstruction quality but often require large training data sets or can not be used for truncated objects. This work presents a self-supervised projection inpainting method that allows learning missing projective views via gradient-based optimization. By reconstructing independent stacks of projection data, a self-supervised loss is calculated in the CT image domain and used to directly optimize projection image intensities to match the missing tomographic views constrained by the projection geometry. Our experiments on real X-ray microscope (XRM) tomographic mouse tibia bone scans show that our method improves reconstructions by 3.1-7.4%/7.7-17.6% in terms of PSNR/SSIM with respect to the interpolation baseline. Our approach is applicable as a flexible self-supervised projection inpainting tool for tomographic applications.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google