On the Benefit of Dual-domain Denoising in a Self-supervised Low-dose CT Setting

要約

コンピューター断層撮影 (CT) は、3 次元の非侵襲的イメージングに日常的に使用されています。
低線量の取得で画質を復元するために、多数のデータ駆動型画像ノイズ除去アルゴリズムが提案されました。
ただし、適切な投影データまたは正しい再構成アルゴリズムへのアクセスが制限されているため、生の検出器データに既に介入している方法を調査する研究はかなり少ないです。
この作業では、投影と画像ドメインの両方にノイズ除去演算子が含まれ、グラウンド トゥルースの高線量 CT データを必要とせずに同時に最適化される、エンドツーエンドのトレーニング可能な CT 再構成パイプラインを提示します。
私たちの実験では、追加の投影ノイズ除去演算子を含めることで、全体的なノイズ除去パフォーマンスが腹部 CT で 82.4-94.1%/12.5-41.7% (PSNR/SSIM)、XRM で 1.5-2.9%/0.4-0.5% (PSNR/SSIM) 向上したことが示されています。
低用量ベースラインに対するデータ。
微分可能なファンビーム再構成オペレーターとエンドツーエンドの学習に適したヘリカル投影データをレンダリングするための生の投影リビニングステップを含む、ヘリカル CT 再構成フレームワーク全体を公開します。

要約(オリジナル)

Computed tomography (CT) is routinely used for three-dimensional non-invasive imaging. Numerous data-driven image denoising algorithms were proposed to restore image quality in low-dose acquisitions. However, considerably less research investigates methods already intervening in the raw detector data due to limited access to suitable projection data or correct reconstruction algorithms. In this work, we present an end-to-end trainable CT reconstruction pipeline that contains denoising operators in both the projection and the image domain and that are optimized simultaneously without requiring ground-truth high-dose CT data. Our experiments demonstrate that including an additional projection denoising operator improved the overall denoising performance by 82.4-94.1%/12.5-41.7% (PSNR/SSIM) on abdomen CT and 1.5-2.9%/0.4-0.5% (PSNR/SSIM) on XRM data relative to the low-dose baseline. We make our entire helical CT reconstruction framework publicly available that contains a raw projection rebinning step to render helical projection data suitable for differentiable fan-beam reconstruction operators and end-to-end learning.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google