Deep Learning based Spectral CT Imaging
원문 초록
Spectral computed tomography (CT) has attracted much attention in radiation dose reduction, metal artifacts removal, tissue quantification and material discrimination. The x-ray energy spectrum is divided into several bins, each energy-bin-specific projection has a low signal-noise-ratio (SNR) than the current-integrating counterpart, which makes image reconstruction a unique challenge. Traditional wisdom is to use prior knowledge based iterative methods. However, this kind of methods demands a great computational cost. Inspired by deep learning, here we first develop a deep learning based reconstruction method; i.e., U-net with L_p^p-norm, Total variation, Residual learning, and Anisotropic adaption (ULTRA). Specifically, we emphasize the Various Multi-scale Feature Fusion and Multichannel Filtering Enhancement with a denser connection encoding architecture for residual learning and feature fusion. To address the image deblurring problem associated with the $L_2^2$-loss, we propose a general $L_p^p$-loss, $p>0$ Furthermore, the images from different energy bins share similar structures of the same object, the regularization characterizing correlations of different energy bins is incorporated into the $L_p^p$-loss function, which helps unify the deep learning based methods with traditional compressed sensing based methods. Finally, the anisotropically weighted total variation is employed to characterize the sparsity in the spatial-spectral domain to regularize the proposed network. In particular, we validate our ULTRA networks on three large-scale spectral CT datasets, and obtain excellent results relative to the competing algorithms. In conclusion, our quantitative and qualitative results in numerical simulation and preclinical experiments demonstrate that our proposed approach is accurate, efficient and robust for high-quality spectral CT image reconstruction.
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
CLEAR: 초가속 4D Flow CMR 재구성을 위한 복소수 학습 명시적 해석적 정규화
CLEAR: Complex Learned Explicit Analytical Regularization for Ultra-Accelerated 4D Flow CMR Reconstruction
압축 센싱(compressed sensing) 정규화 기법은 투명한 변분 목적함수(variational objective)를 통해 4D Flow CMR의 해석 가능한 재구성을 가능하게 하지만, 수작업으로 설계된 특성상 고가속(high acceleration) 조건에서는 지나치게 제한적이다. 최신 학습 기반 접근법은 이러한 문제를 완화하지만, 일반적으로 언롤링된(unrolled) 네트워크 모듈을 통해 정규화를 암묵적으로 인코딩하기 때문에 해석 가능성이 제한된다. 이러한 한계를 해결하기 위해, 우리는 압축 센싱의 해석 가능성과 학습 모델의 유연성을 결합하도록 설계된 CLEAR를 제안한다. 우리가 아는 한, 이는 4D 재구성 과제를 위한 최초의 학습된 정규화(regularizer)이다. CMRx4DFlow2026 챌린지의 10배~50배 초가속 영역에서, CLEAR는 1만 개 미만의 파라미터를 사용하면서도 해석 가능한 정규화 구조를 유지하는 동시에 압축 센싱 국소 저랭크(locally low-rank, LLR) 기법과 널리 사용되는 변분 네트워크(variational network) FlowVN을 능가하는 성능을 보인다.
이미지 디블러링을 위한 언롤드 네트워크 학습 향상에 위상 정보 활용
Leveraging Phase Information to Boost Unrolled Network Learning for Image Deblurring
대부분의 이미지 디블러링 기법이 공간 이미지 변수를 직접 복원하는 것과 달리, 본 논문에서는 선명한 이미지 세부 정보 복원에 있어 정확한 위상 추정의 중요성을 인식하고 진폭 및 위상 분해 방식을 제안한다. 이를 위해 먼저 블러 처리되고 노이즈가 포함된 이미지 관측값의 진폭과 위상에 대한 새로운 선형 최소 평균 제곱 오차(LMMSE) 추정기를 개발한다. 이어서 앞서 언급한 LMMSE 추정기를 활용하여 선명한 이미지를 복원하는 반복 최적화 알고리즘을 제시한다. 마지막으로, 반복 알고리즘에서 통계적으로 결정되어 고정된 행렬 파라미터들을 깨끗한 관측값과 열화된 관측값으로 구성된 학습 데이터셋을 사용하여 학습한다. 본 디블러링 엔진은 UPADNet(Unrolled Phase and Amplitude Decomposition Network)으로 명명되며, 기반이 되는 위상 및 진폭 복원 알고리즘의 각 반복 단계가 파라미터화되어 엔드투엔드로 학습된다. GoPro, RealBlur, COCO 데이터셋 등 벤치마크 평가 데이터셋에 대한 실험 결과, UPADNet은 이미지 도메인에서의 알고리즘 언롤링 기반 방법을 포함한 최신 심층 네트워크들보다 우수한 성능을 보인다. UPADNet의 이점은 높은 노이즈 환경 및 학습 데이터가 제한된 환경에서 더욱 두드러진다.
CogSENet: 블러 조건부 의미론적 라우팅과 명시적 주파수 융합을 통한 블라인드 이미지 디블러링
CogSENet: Blind Image Deblurring with Blur-Conditioned Semantic Routing and Explicit Frequency Fusion
블라인드 이미지 디블러링은 복잡하고 미지의 열화로부터 고충실도 세부 정보와 일관된 구조를 복원해야 합니다. 현재의 블라인드 이미지 디블러링 방법들은 실세계의 공간적으로 변화하는 열화에 어려움을 겪으며, 유효한 텍스처와 아티팩트를 신뢰성 있게 구분하는 데 필요한 의미론적 인식 능력이 부족합니다. 이 간극을 해소하기 위해, 우리는 독수리의 시각 시스템에서 영감을 받은 동적이고 의미론적으로 정렬된 복원 프레임워크인 CogSENet을 제안합니다. 독수리의 능동적인 새캐이드(saccadic) 스캐닝을 모방하여, 미분 가능한 라우팅을 통한 의미론적 인식 토큰 재그룹화를 갖춘 Semantic-Driven State Space Module(SDSSM)을 설계하여, 프롬프트 조건부 장거리 의존성 모델링을 가능하게 합니다. 텍스처와 구조의 물리적으로 해석 가능한 복원을 보장하기 위해, BiFreqFusionBlock(BFFB)은 웨이블릿 변환을 사용하여 특징을 고주파수와 저주파수로 분해함으로써 독수리 망막의 기능적 분화를 반영합니다. 마지막으로, 블러 이미지로부터 연속적인 블러 필드(Blur Field, CBF)를 추정하고 이를 CLIP 의미론적 사전(prior)과 융합하여 가장 깊은 잠재 특징을 변조함으로써, 초점 적응을 모방하고 공간적으로 비균일한 블러 하에서 적응적 복원을 가능하게 합니다. 광범위한 실험을 통해 CogSENet이 더 적은 파라미터로 시각적 품질과 구조적 충실도 모두에서 최첨단 디블러링 방법들을 능가하며, 디헤이징(dehazing), 디레이닝(deraining), 디노이징(denoising) 작업에서도 우수한 성능을 보임을 입증합니다.
희소성 사전 모델과 마르코프 연쇄 몬테카를로 샘플링을 이용한 베이지안 자기 공명 영상 공동 재구성 및 불확실성 정량화
Bayesian Magnetic Resonance Joint Image Reconstruction and Uncertainty Quantification using Sparsity Prior Models and Markov Chain Monte Carlo Sampling
우리는 압축 감지 자기 공명 영상 재구성을 사용하여 불확실성 정량화를 위한 새로운 프레임워크를 제안합니다. 이 문제는 베이지안 프레임워크 내에서 선형 역문제로 공식화되며, 알 수 없는 모델 파라미터에는 사전 분포가 할당됩니다. 구체적으로, 재구성할 이미지는 주어진 기저에서 희소(sparse)하다고 가정합니다. 우리는 모든 기저에 적용 가능한 일반적인 프레임워크를 개발했으며, 예로서 (1) 총 변분(Total Variation) 사전 모델을 사용한 공간 기울기(spatial gradients)와 (2) 웨이블릿 변환에서의 이미지 희소성을 테스트합니다. 그런 다음 분할-증강(split-and-augmented) 기브스 샘플러에 기반한 마르코프 연쇄 몬테카를로(MCMC) 방법을 사용하여 알 수 없는 파라미터의 사후 분포에서 샘플링을 수행합니다. 미분 불가능한 조건부 분포는 근사(proximal) MCMC 방법을 사용하여 효율적으로 샘플링됩니다. 제안된 알고리즘은 다양한 k-공간(k-space) 서브샘플링 패턴과 비율을 사용하여 단일 코일 및 다중 코일 데이터셋에서 검증되었습니다. 결과는 이미지 재구성에 있어 각 제안된 접근 방식이 대응되는 최적화 기반 방법보다 우수한 성능을 보여줍니다. 더불어, 우리의 프레임워크는 불확실성을 효과적으로 정량화하며, 기존 심층 학습 기반 방법과 비교했을 때 추정된 불확실성 맵과 정답(ground truth) 및 재구성된 이미지를 사용하여 계산된 오차 맵 사이에 유의미한 상관관계를 보여줍니다.
Adaptive Multi-resolution Hash-Encoding Framework for INR-based Dental CBCT Reconstruction with Truncated FOV
Revitalizing Convolutional Network for Image Restoration
토론
이 논문과 연결된 포럼 글이 아직 없습니다.