Geometric Constraints Enable Self-Supervised Sinogram Inpainting in Sparse-View Tomography

要約

コンピュータ断層撮影 (CT) スキャンの診断品質は通常、患者の線量、スキャン速度、画質によって制限されます。
疎角度断層撮影スキャンは放射線被曝を軽減し、データ取得を高速化しますが、画像アーチファクトやノイズが発生します。
既存の画像処理アルゴリズムは CT 再構成の品質を復元できますが、多くの場合、大規模なトレーニング データ セットが必要になるか、切り取られたオブジェクトには使用できません。
この研究では、勾配ベースの最適化によって欠落している投影ビューを最適化できる、自己監視型投影修復手法を紹介します。
投影データの独立したスタックを再構成することにより、自己教師あり損失が CT 画像領域で計算され、投影ジオメトリによって制約された欠落している断層撮影ビューと一致するように投影画像強度を直接最適化するために使用されます。
実際の X 線顕微鏡 (XRM) 断層撮影マウス脛骨スキャンに関する実験では、この方法により補間ベースラインに対して PSNR/SSIM の観点から 3.1 ～ 7.4%/7.7 ～ 17.6% 再構成が向上することが示されています。
私たちのアプローチは、断層撮影アプリケーション向けの柔軟な自己監視型投影修復ツールとして適用できます。

要約(オリジナル)

The diagnostic quality of computed tomography (CT) scans is usually restricted by the induced patient dose, scan speed, and image quality. Sparse-angle tomographic scans reduce radiation exposure and accelerate data acquisition, but suffer from image artifacts and noise. Existing image processing algorithms can restore CT reconstruction quality but often require large training data sets or can not be used for truncated objects. This work presents a self-supervised projection inpainting method that allows optimizing missing projective views via gradient-based optimization. By reconstructing independent stacks of projection data, a self-supervised loss is calculated in the CT image domain and used to directly optimize projection image intensities to match the missing tomographic views constrained by the projection geometry. Our experiments on real X-ray microscope (XRM) tomographic mouse tibia bone scans show that our method improves reconstructions by 3.1-7.4%/7.7-17.6% in terms of PSNR/SSIM with respect to the interpolation baseline. Our approach is applicable as a flexible self-supervised projection inpainting tool for tomographic applications.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google