Unsupervised denoising for sparse multi-spectral computed tomography

要約

光子計数検出器 (PCD) を備えたマルチエネルギー コンピュータ断層撮影 (CT) では、PCD が入射光子を特定のエネルギー チャネルに割り当てることができるため、スペクトル イメージングが可能になります。
ただし、多くのスペクトル チャネルを持つ PCD は、CT 再構成の計算の複雑さを大幅に増加させ、特注の再構成アルゴリズムは、さまざまなノイズ統計に合わせて微調整する必要があります。
\rev{特に多くの予測を行う場合、大量のデータを収集して保存する必要があります。
スパース ビュー CT は、データ削減の 1 つのソリューションです。
しかし、これらの問題は、光子数が大幅に減少するため、スパース イメージング シナリオに遭遇した場合に特に悪化します。
64 チャンネルの PCD-CT。
特に、トレーニング手順の参照データの欠落を克服するために、再構成でさまざまなフィルター関数を利用し、スペクトル チャネルと核ノルムを明示的に結合することにより、教師なしノイズ除去とアーティファクト除去アプローチを提案します。
パフォーマンスは、シミュレートされた合成データと、コンピューター断層撮影 (MUSIC) データセットを介した、公開されている実験的なマルチスペクトル イメージングの両方で評価されます。
教師なし手法の品質を、反復的な総核変動の正規化された再構成と、参照データでトレーニングされた教師ありノイズ除去器と比較しました。
スペクトル結合を使用した教師なしノイズ除去を使用すると、ノイズ統計の柔軟性とストリーキング アーティファクトの効果的な抑制により、再構成品質の向上を実現できることを示します。

要約(オリジナル)

Multi-energy computed tomography (CT) with photon counting detectors (PCDs) enables spectral imaging as PCDs can assign the incoming photons to specific energy channels. However, PCDs with many spectral channels drastically increase the computational complexity of the CT reconstruction, and bespoke reconstruction algorithms need fine-tuning to varying noise statistics. \rev{Especially if many projections are taken, a large amount of data has to be collected and stored. Sparse view CT is one solution for data reduction. However, these issues are especially exacerbated when sparse imaging scenarios are encountered due to a significant reduction in photon counts.} In this work, we investigate the suitability of learning-based improvements to the challenging task of obtaining high-quality reconstructions from sparse measurements for a 64-channel PCD-CT. In particular, to overcome missing reference data for the training procedure, we propose an unsupervised denoising and artefact removal approach by exploiting different filter functions in the reconstruction and an explicit coupling of spectral channels with the nuclear norm. Performance is assessed on both simulated synthetic data and the openly available experimental Multi-Spectral Imaging via Computed Tomography (MUSIC) dataset. We compared the quality of our unsupervised method to iterative total nuclear variation regularized reconstructions and a supervised denoiser trained with reference data. We show that improved reconstruction quality can be achieved with flexibility on noise statistics and effective suppression of streaking artefacts when using unsupervised denoising with spectral coupling.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google