Solving Energy-Independent Density for CT Metal Artifact Reduction via Neural Representation

要約

X 線 CT では、金属材料の存在下で影や縞模様のアーチファクトが発生し、画像品質が大幅に低下することがよくあります。
物理的には、金属の線形減衰係数 (LAC) は X 線エネルギーによって大幅に変化し、CT 測定で非線形ビーム硬化効果 (BHE) を引き起こします。
したがって、金属破損した測定値から CT 画像を再構成することは、困難な非線形逆問題になります。
既存の最先端 (SOTA) メタル アーティファクト低減 (MAR) アルゴリズムは、多数のペアになった CT サンプルを使用した教師あり学習に依存しています。
これらの教師付き手法は有望ではありますが、多くの場合、未知の LAC がエネルギーに依存しないと仮定し、エネルギー誘発 BHE を無視するため、一般化が限定されます。
さらに、大規模なデータセットの要件により、現実世界のシナリオでのアプリケーションも制限されます。
この研究では、新しい教師なし MAR 手法である密度ニューラル表現 (Diner) を提案します。
私たちの主な革新は、光子組織吸収物理モデルに厳密に準拠した、エネルギーに依存しない密度再構成問題として MAR を定式化することにあります。
このモデルは本質的に非線形で複雑であるため、逆結像問題ではほとんど考慮されるアプローチではありません。
非線形 CT 取得プロセスを特徴付けるために水等価組織近似と新しい多色モデルを導入することにより、外部トレーニング データを使用せずに生の測定値から密度マップの神経表現を直接学習します。
このエネルギーに依存しない密度再構成フレームワークは、非線形 BHE を根本的に解決し、幅広いスキャン シナリオにわたって優れた MAR パフォーマンスを可能にします。
シミュレートされたデータセットと現実世界のデータセットの両方に対する広範な実験により、MAR のパフォーマンスと堅牢性の点で、教師なし Diner が一般的な教師あり手法よりも優れていることが実証されました。

要約(オリジナル)

X-ray CT often suffers from shadowing and streaking artifacts in the presence of metallic materials, which severely degrade imaging quality. Physically, the linear attenuation coefficients (LACs) of metals vary significantly with X-ray energy, causing a nonlinear beam hardening effect (BHE) in CT measurements. Reconstructing CT images from metal-corrupted measurements consequently becomes a challenging nonlinear inverse problem. Existing state-of-the-art (SOTA) metal artifact reduction (MAR) algorithms rely on supervised learning with numerous paired CT samples. While promising, these supervised methods often assume that the unknown LACs are energy-independent, ignoring the energy-induced BHE, which results in limited generalization. Moreover, the requirement for large datasets also limits their applications in real-world scenarios. In this work, we propose Density neural representation (Diner), a novel unsupervised MAR method. Our key innovation lies in formulating MAR as an energy-independent density reconstruction problem that strictly adheres to the photon-tissue absorption physical model. This model is inherently nonlinear and complex, making it a rarely considered approach in inverse imaging problems. By introducing the water-equivalent tissues approximation and a new polychromatic model to characterize the nonlinear CT acquisition process, we directly learn the neural representation of the density map from raw measurements without using external training data. This energy-independent density reconstruction framework fundamentally resolves the nonlinear BHE, enabling superior MAR performance across a wide range of scanning scenarios. Extensive experiments on both simulated and real-world datasets demonstrate the superiority of our unsupervised Diner over popular supervised methods in terms of MAR performance and robustness.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google