Plug-and-Play with 2.5D Artifact Reduction Prior for Fast and Accurate Industrial Computed Tomography Reconstruction

要約

コーンビームX線コンピューター断層撮影（XCT）は、医療から産業イメージングまでのアプリケーションを使用して、内部構造の3D再構成を生成するための不可欠なイメージング技術です。
高品質の再構成を生成するには、通常、多くのX線測定が必要です。
このプロセスは、特に密集した材料の場合、ゆっくりと高価な場合があります。
プラグアンドプレイ（PNP）再構築フレームワークにアーティファクト削減前の削減が組み込まれている最近の作業は、スパースビューXCTスキャンからの画質を改善しながら、深い学習ベースのソリューションの一般化を強化することで有望な結果を示しています。
ただし、この方法では、アーティファクト削減のために2D畳み込みニューラルネットワーク（CNN）を使用して、3D再構成からスライスに依存しない情報のみをキャプチャし、パフォーマンスを制限します。
この論文では、2.5Dアーティファクト削減CNNを前のPNP再構成方法を提案します。
このアプローチは、隣接するスライスからスライス間情報を活用し、計算上効率を残しながらより豊かな空間コンテキストをキャプチャします。
この2.5Dの事前は、再構成の品質を改善するだけでなく、モデルが一般的に発生するXCTアーティファクト（ビーム硬化など）を直接抑制し、アーティファクト補正の前処理の必要性を排除できることを示します。
実験的および合成コーンビームXCTデータの両方での実験は、提案された方法が細孔サイズや形状などの細かい構造の詳細をよりよく保持し、2Dプライアーと比較してより正確な欠陥検出につながることを示しています。
特に、シミュレートされたスキャンで完全にトレーニングされた2.5Dアーティファクト削減を使用して、実験的XCTデータの強力なパフォーマンスを示し、ドメイン間で一般化する提案された方法の能力を強調します。

要約(オリジナル)

Cone-beam X-ray computed tomography (XCT) is an essential imaging technique for generating 3D reconstructions of internal structures, with applications ranging from medical to industrial imaging. Producing high-quality reconstructions typically requires many X-ray measurements; this process can be slow and expensive, especially for dense materials. Recent work incorporating artifact reduction priors within a plug-and-play (PnP) reconstruction framework has shown promising results in improving image quality from sparse-view XCT scans while enhancing the generalizability of deep learning-based solutions. However, this method uses a 2D convolutional neural network (CNN) for artifact reduction, which captures only slice-independent information from the 3D reconstruction, limiting performance. In this paper, we propose a PnP reconstruction method that uses a 2.5D artifact reduction CNN as the prior. This approach leverages inter-slice information from adjacent slices, capturing richer spatial context while remaining computationally efficient. We show that this 2.5D prior not only improves the quality of reconstructions but also enables the model to directly suppress commonly occurring XCT artifacts (such as beam hardening), eliminating the need for artifact correction pre-processing. Experiments on both experimental and synthetic cone-beam XCT data demonstrate that the proposed method better preserves fine structural details, such as pore size and shape, leading to more accurate defect detection compared to 2D priors. In particular, we demonstrate strong performance on experimental XCT data using a 2.5D artifact reduction prior trained entirely on simulated scans, highlighting the proposed method’s ability to generalize across domains.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google