Enhanced Low-Dose CT Image Reconstruction by Domain and Task Shifting Gaussian Denoisers

要約

低放射線量からのコンピュータ断層撮影 (LDCT) は、投影データのノイズが高いため困難です。
LDCT 画像再構成の一般的なアプローチは 2 段階の方法で、通常はフィルター逆投影 (FBP) アルゴリズムと、それに続く LDCT 画像強調のためのニューラル ネットワークで構成されます。
2 段階の方法は、その単純さと計算効率の可能性の点で魅力的であり、通常、推論に必要なのは 1 つの FBP とニューラル ネットワークのフォワード パスのみです。
ただし、現在、最高の再構成品質は、展開された反復手法 (Learned Primal-Dual および ItNet) によって実現されています。これらの手法はより複雑であるため、トレーニングと推論にかかる計算コストが高くなります。
我々は、2 段階法の単純さと効率性を最先端の再構成品質と組み合わせた方法を提案します。
私たちの戦略は、自然なグレースケール画像からガウス ノイズを除去するために事前トレーニングされ、LDCT 画像強調のために微調整されたニューラル ネットワークを利用します。
微調整がガウスノイズ除去から LDCT 画像の強調へのタスクの移行、および自然グレースケールから LDCT 画像へのドメインの移行であるため、このメソッドを FBP-DTSGD (ドメインおよびタスクシフトガウス デノイザー) と呼びます。
3 つの異なる事前学習済みガウス デノイザーを使用したアブレーション研究では、FBP-DTSGD のパフォーマンスが特定のノイズ除去アーキテクチャに依存しないことが示されており、ガウスノイズ除去の将来の進歩がこの方法に利益をもたらす可能性があることが示唆されています。
この研究では、特に限られたトレーニング データの場合、自然画像での事前トレーニングにより LDCT 再構成の品質が向上することも示されています。
特に、既存の事前トレーニング済みモデルが使用されるため、事前トレーニングには追加のコストがかかりません。
提案された手法は現在、LoDoPaB-CT チャレンジにおいて平均トップの位置を保持しています。

要約(オリジナル)

Computed tomography from a low radiation dose (LDCT) is challenging due to high noise in the projection data. Popular approaches for LDCT image reconstruction are two-stage methods, typically consisting of the filtered backprojection (FBP) algorithm followed by a neural network for LDCT image enhancement. Two-stage methods are attractive for their simplicity and potential for computational efficiency, typically requiring only a single FBP and a neural network forward pass for inference. However, the best reconstruction quality is currently achieved by unrolled iterative methods (Learned Primal-Dual and ItNet), which are more complex and thus have a higher computational cost for training and inference. We propose a method combining the simplicity and efficiency of two-stage methods with state-of-the-art reconstruction quality. Our strategy utilizes a neural network pretrained for Gaussian noise removal from natural grayscale images, fine-tuned for LDCT image enhancement. We call this method FBP-DTSGD (Domain and Task Shifted Gaussian Denoisers) as the fine-tuning is a task shift from Gaussian denoising to enhancing LDCT images and a domain shift from natural grayscale to LDCT images. An ablation study with three different pretrained Gaussian denoisers indicates that the performance of FBP-DTSGD does not depend on a specific denoising architecture, suggesting future advancements in Gaussian denoising could benefit the method. The study also shows that pretraining on natural images enhances LDCT reconstruction quality, especially with limited training data. Notably, pretraining involves no additional cost, as existing pretrained models are used. The proposed method currently holds the top mean position in the LoDoPaB-CT challenge.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google