OSNet & MNetO: Two Types of General Reconstruction Architectures for Linear Computed Tomography in Multi-Scenarios

要約

近年、線形コンピュータ断層撮影（LCT）システムが活発に注目を集めています。
投影トランケーションを弱め、LCT の関心領域 (ROI) を画像化するには、逆投影フィルター (BPF) アルゴリズムが効果的なソリューションです。
しかし、LCTのBPFでは安定した内部再構成を実現することが難しく、LCTの微分逆投影（DBP）画像の場合、ヒルベルト変換の多重回転有限逆変換（ヒルベルトフィルタリング）逆回転演算により画像がぼやけてしまいます。
内部 ROI、完全なオブジェクト、視野 (FOV) を超えた外部領域を含む LCT の複数の再構成シナリオを満たし、ヒルベルト フィルタリングの回転操作を回避するために、2 種類の再構成アーキテクチャを提案します。
最初に複数の DBP イメージをオーバーレイして完全な DBP イメージを取得し、次にオーバーレイ シングル ネットワーク (OSNet) と呼ばれるネットワークを使用して、オーバーレイ ヒルベルト フィルタリング関数を学習します。
2 つ目は、複数のネットワークを使用して、複数の線形スキャンの DBP 画像に対してそれぞれ異なる指向性ヒルベルト フィルター モデルをトレーニングし、再構成された結果をオーバーレイする、つまり、Multiple Networks Overlaying (MNetO) です。
2 つのアーキテクチャでは、pix2pixGAN のジェネレーターに Swin Transformer (ST) ブロックを導入し、DBP 画像からローカルとグローバルの両方の特徴を同時に抽出します。
異なるネットワークの 2 つのアーキテクチャ、FOV サイズ、ピクセル サイズ、投影数、幾何学的倍率、処理時間を調査します。
実験結果は、2 つのアーキテクチャがどちらも画像を回復できることを示しています。
OSNet は、さまざまなシナリオで BPF よりも優れたパフォーマンスを発揮します。
さまざまなネットワークでは、ST-pix2pixGAN が pix2pixGAN や CycleGAN よりも優れています。
MNetO では、複数のモデル間の違いによりいくつかのアーチファクトが見られますが、そのモデルのいずれも、特定の方向の外側エッジをイメージングするのに適しています。

要約(オリジナル)

Recently, linear computed tomography (LCT) systems have actively attracted attention. To weaken projection truncation and image the region of interest (ROI) for LCT, the backprojection filtration (BPF) algorithm is an effective solution. However, in BPF for LCT, it is difficult to achieve stable interior reconstruction, and for differentiated backprojection (DBP) images of LCT, multiple rotation-finite inversion of Hilbert transform (Hilbert filtering)-inverse rotation operations will blur the image. To satisfy multiple reconstruction scenarios for LCT, including interior ROI, complete object, and exterior region beyond field-of-view (FOV), and avoid the rotation operations of Hilbert filtering, we propose two types of reconstruction architectures. The first overlays multiple DBP images to obtain a complete DBP image, then uses a network to learn the overlying Hilbert filtering function, referred to as the Overlay-Single Network (OSNet). The second uses multiple networks to train different directional Hilbert filtering models for DBP images of multiple linear scannings, respectively, and then overlays the reconstructed results, i.e., Multiple Networks Overlaying (MNetO). In two architectures, we introduce a Swin Transformer (ST) block to the generator of pix2pixGAN to extract both local and global features from DBP images at the same time. We investigate two architectures from different networks, FOV sizes, pixel sizes, number of projections, geometric magnification, and processing time. Experimental results show that two architectures can both recover images. OSNet outperforms BPF in various scenarios. For the different networks, ST-pix2pixGAN is superior to pix2pixGAN and CycleGAN. MNetO exhibits a few artifacts due to the differences among the multiple models, but any one of its models is suitable for imaging the exterior edge in a certain direction.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google