Simulator-Based Self-Supervision for Learned 3D Tomography Reconstruction

要約

低線量ヘリカルコーンビームコンピュータ断層撮影における 3D 体積再構成のためのディープラーニング手法を提案します。
従来の機械学習アプローチでは、トレーニングのために別のアルゴリズムによって計算された参照再構成が必要でした。
対照的に、ノイズの多い 2D X 線データのみを使用して、完全に自己教師ありの方法でモデルをトレーニングします。
これは、トレーニング ループに高速微分可能な CT シミュレーターを組み込むことで可能になります。
参照再構成に依存しないため、結果の忠実度は潜在的な欠点によって制限されません。
実際のヘリカルコーンビーム投影とシミュレートされたファントムでこの方法を評価します。
私たちの結果は、既存の再構成に依存する手法と比較して、視覚的忠実度が大幅に高く、PSNR が優れていることを示しています。
私たちの方法を全線量データに適用すると、反復手法よりも桁違いに速く高品質の結果が得られます。

要約(オリジナル)

We propose a deep learning method for 3D volumetric reconstruction in low-dose helical cone-beam computed tomography. Prior machine learning approaches require reference reconstructions computed by another algorithm for training. In contrast, we train our model in a fully self-supervised manner using only noisy 2D X-ray data. This is enabled by incorporating a fast differentiable CT simulator in the training loop. As we do not rely on reference reconstructions, the fidelity of our results is not limited by their potential shortcomings. We evaluate our method on real helical cone-beam projections and simulated phantoms. Our results show significantly higher visual fidelity and better PSNR over techniques that rely on existing reconstructions. When applied to full-dose data, our method produces high-quality results orders of magnitude faster than iterative techniques.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google