Multi-stage Deep Learning Artifact Reduction for Computed Tomography

要約

コンピュータ断層撮影（CT）では、取得された投影画像の集合から対象物の内部構造の画像が計算される。これらの再構成画像の品質は正確な解析に不可欠ですが、この品質は様々な画像アーチファクトによって劣化する可能性があります。再構成品質を向上させるために、取得された投影画像は、多くの場合、様々な画像領域で適用される複数のアーチファクト除去ステップ（投影画像の異常値除去や再構成画像のノイズ除去など）からなるパイプラインによって処理される。これらのアーチファクト除去法は、特定のアーチファクトが他のドメインに比べて特定のドメインで除去しやすいという事実を利用する。 近年、ディープラーニング法がCT画像のアーチファクト除去に有望な結果を示している。しかし、CTに対する既存の深層学習法のほとんどは、再構成後の後処理法として適用されている。そのため、再構成領域で除去することが比較的困難なアーチファクトは、これらの手法では効果的に除去できない可能性がある。その代替として、我々は、古典的なCT処理パイプラインと同様に、ニューラルネットワークを複数の領域に適用する、アーチファクト除去のための多段階深層学習法を提案する。ニューラルネットワークを効果的に連続して学習させることで、使いやすく計算効率の良い学習が可能であることを示す。模擬データセットと実世界の実験データセットの両方を用いた実験により、本手法がアーチファクトの低減に有効であり、ディープラーニングに基づく後処理よりも優れていることを示す。

要約(オリジナル)

In Computed Tomography (CT), an image of the interior structure of an object is computed from a set of acquired projection images. The quality of these reconstructed images is essential for accurate analysis, but this quality can be degraded by a variety of imaging artifacts. To improve reconstruction quality, the acquired projection images are often processed by a pipeline consisting of multiple artifact-removal steps applied in various image domains (e.g., outlier removal on projection images and denoising of reconstruction images). These artifact-removal methods exploit the fact that certain artifacts are easier to remove in a certain domain compared with other domains. Recently, deep learning methods have shown promising results for artifact removal for CT images. However, most existing deep learning methods for CT are applied as a post-processing method after reconstruction. Therefore, artifacts that are relatively difficult to remove in the reconstruction domain may not be effectively removed by these methods. As an alternative, we propose a multi-stage deep learning method for artifact removal, in which neural networks are applied to several domains, similar to a classical CT processing pipeline. We show that the neural networks can be effectively trained in succession, resulting in easy-to-use and computationally efficient training. Experiments on both simulated and real-world experimental datasets show that our method is effective in reducing artifacts and superior to deep learning-based post-processing.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL