期刊基本信息
创刊:
1964年 • 半月刊
名称:
激光与光电子学进展
英文:
Laser & Optoelectronics Progress
主管单位:
中国科学院
主办单位:
中科院上海光机所
出版单位:
中国激光杂志社
主编:
范滇元
执行主编:
邱建荣
副主编:
戴琼海 张龙 张雨东 曹良才
ISSN:
1006-4125
刊号:
CN 31-1690/TN
电话:
021-69918427
邮箱:
地址:
上海市嘉定区清河路390号
邮编:
201800
定价:
120元/期
动态信息

23年第8期封底:基于深度学习的稀疏或有限角度 CT 重建方法研究综述

发布:zhuenxu阅读:618时间:2023-5-11 16:35:39

借问何来穿透术,稀疏投影断层图

激光与光电子学进展》于2023年第8期(4月)推出“三维成像技术及应用”专题,本封面为广东工业大学邸江磊教授、秦玉文教授团队以及新加坡南洋理工大学钱克矛副教授的特邀综述“基于深度学习的稀疏或有限角度 CT 重建方法研究综述”

论文主要综述基于深度学习的稀疏或有限角度CT重建方法研究进展,对传统的CT重建方法存在的问题以及深度学习中不同神经网络模型应用优势进行了讨论,介绍了深度学习在稀疏或有限角度CT重建中的应用研究,包括基于深度学习的图像域后处理、正弦域预处理、双域数据联合处理、迭代重建算法和端到端映射重建,对当前深度学习重建算法的优点及其局限性进行了总结并展望了未来的研究方向。

封面解读

低量智视扫描符,

心脏微观清晰无?

借问何来穿透术,

稀疏投影断层图。

文章链接

邸江磊, 林俊成, 钟丽云, 钱克矛, 秦玉文. 基于深度学习的稀疏或有限角度CT重建方法研究综述[J]. 激光与光电子学进展, 2023, 60(8): 0811002.

1 背景

随着20世纪70年代初第一台计算机断层扫描(CT)设备的问世,引起医学成像诊断领域的迅速革新。最初的CT扫描设备由单X射线源与单探测器组成,以平移和旋转的方式收集X射线穿透人体后的衰减强度投影数据,随后结合Radon平行线积分原理,通过计算机对投影数据进行Radon逆变换运算,实现对病人体内组织结构信息的影像重建,是一种无创伤非侵入成像技术。随着硬件设备发展,现代CT扫描设备中的X射线束被设置为扇形光束,通过螺旋扫描方式以多层探测器同时采集投影数据,提高了扫描速率和成像分辨率,如图1流程所示。然而,X射线对人体具有辐射危害,需要在CT检查中遵循ALARA原则,即在不影响成像质量情况下尽可能使用最低剂量进行检测。其中一种方式是减少旋转扫描角度数量或者限制扫描角度范围,利用较少数量的投影角度数据进行CT重建,从而降低X射线对患者的辐射剂量。

图1 CT重建流程示意图[1]

2 传统重建算法

传统的重建算法包括解析重建算法和迭代算法。经典的滤波反投影(FBP)是一种解析重建算法,通过结合Radon变换和傅里叶切片定理对正弦图的频率域进行滤波重建,具有重建速度快、空间分辨率高等优点。然而在减少CT扫描角度数量的情况下,FBP算法重建获得的CT图像会产生严重的条状伪影;模型迭代算法则通过结合图像先验信息对成像过程建立模型,通过梯度下降算法对稀疏或有限角度CT图像进行优化,从而减轻图像中的伪影现象,但传统迭代算法存在计算复杂度高、重建时间长等问题。

3 深度学习技术优势

近年来,深度学习迅速发展,基于数据驱动的神经网络模型在自然语言处理、图像识别、自动驾驶等领域取得许多成功应用,尤其是卷积神经网络(CNN)与Visual Transformer具有强大的特征提取能力与非线性映射功能,在图像去噪、分割以及重建任务中展现出巨大优势,因此可以引入深度学习技术来解决稀疏或有限角度下的CT重建逆问题,克服传统重建算法的局限性。

4 深度学习CT域数据处理方法

基于深度学习的CT域数据处理方法如图2所示,包括CT图像域去伪影后处理(图2(a)),正弦域投影数据插值预处理(图2(b))以及双域数据联合优化处理(图2(c))。前两类为单域数据优化方法,通过利用CNN、Transformer、GAN、DDPM生成网络等模型完成对正弦图或者重建 CT图像数据的插值和滤波处理,优化了FBP算法重建图像质量;第三类双域数据联合优化处理方法则通过在两个网络模型中嵌入固定且可微分的FBP模块同步对正弦图投影和CT图像数据进行保真约束,实现端到端重建,同时进一步提高图像重建质量。

图2 基于CNN的CT域数据处理方法

5 深度学习迭代重建算法

基于深度学习的迭代重建算法通过利用CNN或Transformer模型取代了传统迭代算法中的正则项(图3)或部分展开非凸子问题的优化求解,避免了对迭代模型正则项的设计和选择,同时降低了迭代过程的计算复杂度,最终实现了更高质量的CT图像重建。

图3 基于CNN的正则项CT迭代重建模型[2]

6 深度学习端到端映射重建方法

基于深度学习的端到端映射重建方法,通过利用CNN取代FBP算法或构建可学习的物理解析重建算法实现对稀疏或有限角度投影数据的逆映射重建。相比于传统的FBP算法,能够有效减轻稀疏或有限角度CT重建图像的伪影现象,同时实现更快速的重建。

图4 基于CNN的端到端映射重建模型

5 总结与展望

经过十几年发展,CT重建算法从最初的FBP算法发展至深度学习重建算法,在现阶段研究中通过利用上述5类深度学习重建算法,实现了对更少扫描角度的投影数据进行CT重建,同时提高了CT图像重建的质量和速度,对医学临床诊断的发展注入了极大的活力。但现有的网络模型大多都是基于有监督训练的,而在医学上获取大量成对的CT数据集比较困难,监督模型训练效果受到限制,因此可考虑进一步结合无监督或自监督训练方式,设计具有物理指导过程的物理解析重建网络模型,减轻模型对标签数据的依赖性并提高模型的泛化能力,以适配不同CT系统的波束硬化与噪声不一致情况。

参考文献

[1] Kulathilake K A S H, Abdullah N A, Sabri A Q M, et al. A review on Deep Learning approaches for low-dose Computed Tomography restoration[J]. Complex & Intelligent Systems, 2021:1-33.

[2] Chen H, Zhang Y, Chen Y J, et al. LEARN: learned experts'' assessment-based reconstruction network for sparse-data CT[J]. IEEE Transactions on Medical Imaging, 2018, 37(6): 1333-1347.

作者简介

邸江磊,广东工业大学特聘教授,博士生导师。主要研究方向为数字全息技术、定量相位测量、智能计算成像方法等。主持国家重点研发计划项目课题、国家自然科学基金面上项目/NSAF联合基金项目、航空科学基金、**单位委托课题等项目多项,在国内外学术期刊发表文100余篇,获授权国家发明专利20项。

钱克矛,中国科学技术大学本硕博学位,目前是新加坡南洋理工大学计算机科学与工程学院副教授。其研究兴趣包括计算光学测量、图像处理、机器视觉等。已发表专著两部、科技论文二百余篇;参与编辑杂志专辑四期、会议文集十部。任Optics and Lasers in Engineering编辑,计算光学测量国际研讨会(COME)和光学与光子学工程国际会议(icOPEN)共主席多次。

秦玉文,广东工业大学特聘教授,先进光子技术研究院院长,广东省“珠江人才计划”引进创新创业团队带头人,广东省信息光子技术重点实验室主任。曾任国家自然科学基金委员会光学与光电子学科副主任,兼任光学工程学会常务理事、光学学会纤维光学与集成光学专委会副主任委、《Light: Science &Applications》等学术期刊编委。现主持有国家重点研发计划、国家自然科学基金联合基金重点项目、广东省“珠江人才计划”引进创新创业团队等项目。目前主要从事光纤通信和光纤传感等研究工作,发表学术论文100多篇,申请国内外发明专利50余件。

科研团队

广东工业大学先进光子技术研究院,拥有广东省信息光子技术重点实验室等科研平台,研究方向主要涉及大容量光通信与保密通信、高性能光纤传感与测试技术、光信息融合理论与处理技术、光电器件与光子芯片等,现有科研人员34人,包括杰青2名、优青4名、珠江学者3人、青年珠江学者1人、广东省杰青1人、浙江省杰青1人以及广东省引进基础与应用基础研究类创新团队2支,先后承担国家自然科学基金委重点项目和科学仪器研制专项、国家重点研发计划等国家重大项目研制攻关。