Learning to Distill Global Representation for Sparse-View CT

要約

スパースビューコンピュータ断層撮影 (CT) は、断層撮影再構成に少数の投影を使用することで、患者の放射線量を大幅に低減し、データ収集を高速化します。
ただし、再構成された画像には強いアーチファクトが発生し、診断価値が大幅に制限されます。
スパースビュー CT の現在の傾向は、情報回復を向上させるために生データに注目しています。
それにも関わらず、結果として得られるデュアルドメイン手法は、特に極度に疎なビューのシナリオにおいて二次的なアーティファクトに悩まされており、他のスキャナ/プロトコルへの一般化は大幅に制限されています。
重要な疑問が生じます。画像の後処理方法は限界に達しているのでしょうか?
私たちの答えはまだ出ていません。
この論文では、柔軟性に優れた画像後処理方法にこだわり、GloReDi と呼ばれるスパースビュー CT 用のグローバル表現 (GloRe) 蒸留フレームワークを提案します。
まず、GloRe をフーリエ畳み込みで学習することを提案します。これにより、GloRe の各要素は画像全体の受容野を持つようになります。
第二に、監視に全景画像のみを使用する方法とは異なり、すぐに入手できるが以前の文献では検討されていない中間視点の再構成画像から GloRe を抽出することを提案します。
GloRe 蒸留の成功は、GloRe の方向を揃えるための表現指向性蒸留と、臨床的に重要な詳細を得るバンドパス固有の対照的蒸留の 2 つの重要な要素によるものです。
広範な実験により、提案された GloReDi がデュアルドメイン手法を含む最先端の手法よりも優れていることが実証されました。
ソース コードは https://github.com/longzilicart/GloReDi で入手できます。

要約(オリジナル)

Sparse-view computed tomography (CT) — using a small number of projections for tomographic reconstruction — enables much lower radiation dose to patients and accelerated data acquisition. The reconstructed images, however, suffer from strong artifacts, greatly limiting their diagnostic value. Current trends for sparse-view CT turn to the raw data for better information recovery. The resultant dual-domain methods, nonetheless, suffer from secondary artifacts, especially in ultra-sparse view scenarios, and their generalization to other scanners/protocols is greatly limited. A crucial question arises: have the image post-processing methods reached the limit? Our answer is not yet. In this paper, we stick to image post-processing methods due to great flexibility and propose global representation (GloRe) distillation framework for sparse-view CT, termed GloReDi. First, we propose to learn GloRe with Fourier convolution, so each element in GloRe has an image-wide receptive field. Second, unlike methods that only use the full-view images for supervision, we propose to distill GloRe from intermediate-view reconstructed images that are readily available but not explored in previous literature. The success of GloRe distillation is attributed to two key components: representation directional distillation to align the GloRe directions, and band-pass-specific contrastive distillation to gain clinically important details. Extensive experiments demonstrate the superiority of the proposed GloReDi over the state-of-the-art methods, including dual-domain ones. The source code is available at https://github.com/longzilicart/GloReDi.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google