Verbesserte Rekonstruktion von Niedrigdosis-CT-Bildern durch Domänen- und Aufgabenverschiebung Gaußsche Denoiser

Die computertomographische Bildgebung bei niedriger Strahlendosis (LDCT) ist aufgrund des hohen Rauschens in den Projektionsdaten herausfordernd. Beliebte Ansätze für die LDCT-Bildrekonstruktion sind zweistufige Methoden, die in der Regel aus dem Algorithmus der gefilterten Rückprojektion (FBP) und einem darauf folgenden neuronalen Netzwerk zur Verbesserung von LDCT-Bildern bestehen. Zweistufige Methoden sind wegen ihrer Einfachheit und des Potenzials für rechnerische Effizienz attraktiv; sie erfordern in der Regel nur eine einzelne FBP und einen Vorwärtsdurchgang eines neuronalen Netzwerks zur Inferenz. Derzeit wird jedoch die beste Rekonstruktionsqualität durch entfaltete iterative Methoden (Learned Primal-Dual und ItNet) erreicht, die komplexer sind und daher höhere rechnerische Kosten sowohl für das Training als auch für die Inferenz haben. Wir schlagen eine Methode vor, die die Einfachheit und Effizienz zweistufiger Methoden mit der aktuellen besten Rekonstruktionsqualität kombiniert. Unsere Strategie nutzt ein neuronales Netzwerk, das für die Entfernung von Gaußschem Rauschen aus natürlichen Graustufenbildern vortrainiert wurde und dann für die Verbesserung von LDCT-Bildern feinjustiert wurde. Diese Methode bezeichnen wir als FBP-DTSGD (Domain and Task Shifted Gaussian Denoisers), da die Feinjustierung eine Aufgabenverschiebung vom Gaußrauschfiltern zur Verbesserung von LDCT-Bildern sowie eine Domänenverschiebung von natürlichen Graustufenbildern zu LDCT-Bildern darstellt. Eine Ablationsstudie mit drei verschiedenen vortrainierten Gaußrauschfiltern zeigt, dass die Leistung von FBP-DTSGD nicht von einer spezifischen Rauschunterdrückungsarchitektur abhängt, was darauf hinweist, dass zukünftige Fortschritte im Bereich der Gaußrauschunterdrückung der Methode zugutekommen könnten. Die Studie verdeutlicht außerdem, dass das Vortraining an natürlichen Bildern die Qualität der LDCT-Rekonstruktion verbessert, insbesondere bei begrenzten Trainingsdaten. Bemerkenswerterweise verursacht das Vortraining keine zusätzlichen Kosten, da bereits vorhandene vortrainierte Modelle verwendet werden. Die vorgeschlagene Methode belegt derzeit den besten Mittelplatz im LoDoPaB-CT Challenge.