Unsupervised Polychromatic Neural Representation for CT Metal Artifact Reduction

要約

トモグラフィーに基づく新たな神経再構成技術 (NeRF、NeAT、NeRP など) は、医療画像処理において独自の機能を発揮し始めています。
この研究では、人体内に金属インプラントが存在する場合の CT イメージングの困難な問題に取り組むための、新しい多色神経表現 (Polyner) を紹介します。
CT 金属アーチファクトは、X 線スペクトルのさまざまなエネルギー レベルでの金属の減衰係数の急激な変化から発生し、CT 測定における非線形金属効果を引き起こします。
したがって、金属の影響を受けた測定値から CT 画像を復元すると、以前の金属アーティファクト低減 (MAR) アプローチで採用された経験的モデルが信号損失や強いエイリアシングを伴う再構成につながるという、複雑な非線形逆問題が生じます。
Polyner は代わりに、非線形逆問題の観点から MAR 問題をモデル化します。
具体的には、まず、非線形 CT 取得プロセスを正確にシミュレートするための多色フォワード モデルを導出します。
次に、順モデルを暗黙的なニューラル表現に組み込んで再構築を行います。
最後に、解空間を効果的に制限しながら、さまざまなエネルギー レベルにわたって CT 画像の物理的特性を保存するために正則化を採用します。
私たちの Polyner は教師なしメソッドであり、外部トレーニング データを必要としません。
複数のデータセットを実験したところ、Polyner はドメイン内データセットでは教師あり手法と同等以上のパフォーマンスを達成し、ドメイン外データセットでは大幅なパフォーマンスの向上を実証したことがわかりました。
私たちの知る限り、当社の Polyner は、教師ありの同等のメソッドよりも優れたパフォーマンスを発揮する最初の教師なし MAR メソッドです。
この作業のコードは https://github.com/iwuqing/Polyner で入手できます。

要約(オリジナル)

Emerging neural reconstruction techniques based on tomography (e.g., NeRF, NeAT, and NeRP) have started showing unique capabilities in medical imaging. In this work, we present a novel Polychromatic neural representation (Polyner) to tackle the challenging problem of CT imaging when metallic implants exist within the human body. CT metal artifacts arise from the drastic variation of metal’s attenuation coefficients at various energy levels of the X-ray spectrum, leading to a nonlinear metal effect in CT measurements. Recovering CT images from metal-affected measurements hence poses a complicated nonlinear inverse problem where empirical models adopted in previous metal artifact reduction (MAR) approaches lead to signal loss and strongly aliased reconstructions. Polyner instead models the MAR problem from a nonlinear inverse problem perspective. Specifically, we first derive a polychromatic forward model to accurately simulate the nonlinear CT acquisition process. Then, we incorporate our forward model into the implicit neural representation to accomplish reconstruction. Lastly, we adopt a regularizer to preserve the physical properties of the CT images across different energy levels while effectively constraining the solution space. Our Polyner is an unsupervised method and does not require any external training data. Experimenting with multiple datasets shows that our Polyner achieves comparable or better performance than supervised methods on in-domain datasets while demonstrating significant performance improvements on out-of-domain datasets. To the best of our knowledge, our Polyner is the first unsupervised MAR method that outperforms its supervised counterparts. The code for this work is available at: https://github.com/iwuqing/Polyner.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google