Zero-Shot Low-dose CT Denoising via Sinogram Flicking

要約

多くの低用量のCTイメージング方法は、監視された学習に依存しており、これには多数のペアのノイズが多いクリーンな画像が必要です。
ただし、臨床診療でペアの画像を取得することは困難です。
この問題に対処するために、ゼロショットの自己監視方法は、ZS-N2Nなどの単一の画像内の情報のみを使用してネットワークを除去します。
ただし、これらの方法は、画像解像度を分解するダウンサンプリング操作を使用していることがよくあります。
さらに、トレーニングデータセットは本質的に画像自体に制約されます。
このホワイトペーパーでは、単一の画像内で動作するが、ランダムコンジュゲートレイマッチングを介して多くのコピーを生成するシノグラムフリックに基づいて、ゼロショット低用量CTイメージング方法を提案します。
具体的には、2つのコンジュゲートX線鉛筆ビームが同じ経路を測定します。
期待値は同一である必要がありますが、測定中はノイズレベルは異なります。
シノグラムドメインでコンジュゲートX線の一部をランダムに交換することにより、一貫したコンテンツがあるがさまざまなノイズパターンを持つシノグラムの大きなセットを生成します。
動的に表示されると、これらのシノグラムは、それらの同一の構造含有量のためにちらつき効果を示しますが、ノイズパターンが異なるため、シノグラムという用語がフリッキングします。
ZS-NSNから適応した軽量モデルを使用して、同じコンテンツであるが異なるノイズ分布を使用して、シノグラムのペアでネットワークをトレーニングします。
このプロセスは、最終結果を得るために繰り返されます。
シミュレーション研究では、我々の方法がZS-N2Nなどの最先端のアプローチよりも優れていることが示されています。

要約(オリジナル)

Many low-dose CT imaging methods rely on supervised learning, which requires a large number of paired noisy and clean images. However, obtaining paired images in clinical practice is challenging. To address this issue, zero-shot self-supervised methods train denoising networks using only the information within a single image, such as ZS-N2N. However, these methods often employ downsampling operations that degrade image resolution. Additionally, the training dataset is inherently constrained to the image itself. In this paper, we propose a zero-shot low-dose CT imaging method based on sinogram flicking, which operates within a single image but generates many copies via random conjugate ray matching. Specifically, two conjugate X-ray pencil beams measure the same path; their expected values should be identical, while their noise levels vary during measurements. By randomly swapping portions of the conjugate X-rays in the sinogram domain, we generate a large set of sinograms with consistent content but varying noise patterns. When displayed dynamically, these sinograms exhibit a flickering effect due to their identical structural content but differing noise patterns-hence the term sinogram flicking. We train the network on pairs of sinograms with the same content but different noise distributions using a lightweight model adapted from ZS-NSN. This process is repeated to obtain the final results. A simulation study demonstrates that our method outperforms state-of-the-art approaches such as ZS-N2N.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google