Multi-stage Deep Learning Artifact Reduction for Pallel-beam Computed Tomography

要約

シンクロトロン放射を使用するコンピュータ断層撮影 (CT) は、ラボ CT 技術と比較して、高い空間的および時間的解像度を向上させると同時に、さまざまなコントラスト形成メカニズムへのアクセスを提供する強力な技術です。
取得された投影データは通常、複数のステージで構成される計算パイプラインによって処理されます。
データ収集中に発生したアーティファクトはパイプラインを通じて伝播し、再構成された画像の画質を低下させる可能性があります。
最近、ディープラーニングは、科学データを表す画像の画質を向上させる上で大きな期待を集めています。
この成功により、CT イメージングにおけるディープラーニング技術の採用が増加しました。
深層学習を計算パイプラインに組み込むためにさまざまなアプローチが提案されていますが、いずれもシンクロトロン CT でアーチファクトに効果的かつ効率的に対処する場合、特定のアーティファクトに適切に対処する場合、または計算効率の点で限界があります。
これらの課題を認識し、断層撮影パイプラインの投影、サイノグラム、再構成の各段階で個別の深層学習モデルを組み込む新しい方法を導入し、データ駆動型の方法で局所的に特定のアーティファクトに対処します。
私たちのアプローチには、前のステージからの出力と生データの両方を後続のステージにフィードするバイパス接続が含まれており、エラー伝播のリスクを最小限に抑えます。
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評価により、私たちのアプローチがアーティファクトを効果的に削減し、比較方法よりも優れていることが示されています。

要約(オリジナル)

Computed Tomography (CT) using synchrotron radiation is a powerful technique that, compared to lab-CT techniques, boosts high spatial and temporal resolution while also providing access to a range of contrast-formation mechanisms. The acquired projection data is typically processed by a computational pipeline composed of multiple stages. Artifacts introduced during data acquisition can propagate through the pipeline, and degrade image quality in the reconstructed images. Recently, deep learning has shown significant promise in enhancing image quality for images representing scientific data. This success has driven increasing adoption of deep learning techniques in CT imaging. Various approaches have been proposed to incorporate deep learning into computational pipelines, but each has limitations in addressing artifacts effectively and efficiently in synchrotron CT, either in properly addressing the specific artifacts, or in computational efficiency. Recognizing these challenges, we introduce a novel method that incorporates separate deep learning models at each stage of the tomography pipeline-projection, sinogram, and reconstruction-to address specific artifacts locally in a data-driven way. Our approach includes bypass connections that feed both the outputs from previous stages and raw data to subsequent stages, minimizing the risk of error propagation. Extensive evaluations on both simulated and real-world datasets illustrate that our approach effectively reduces artifacts and outperforms comparison methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google