DuDoDR-Net：双域的同时解决稀疏视图和金属伪影的网络

摘要

摘要

前人分别研究了稀疏视图和金属伪影的清晰重建。但两者并不能直接统合，相互存在条件独立，为此，作者研究如何同时实现两者。

在这项工作中，作者为SVMAR提出了一种双域数据一致递归网络，称为DuDoDR-Net。作者的DuDoDR-Net旨在通过递归的图像域和正弦图域恢复来重建无伪影的图像。为了确保采集到的投影数据中的非金属部分得到保留，作者还开发了图像数据一致性层(IDCL)和正弦图数据一致性层(SDCL)，它们在递归框架中是交错的。

介绍

稀疏视图的意义：通过减少穿透人体的X射线剂量来减少对人体的伤害。

去金属伪影的意义：很多患者体内有植入金属义肢，这会使得由于稀疏视图出现的条纹伪影更加严重。

图1. 稀疏条件下金属种植体CT图像一例。左图：全视角采集的无金属CT图像。中：无伪影CT图像，覆盖金属分割(红色掩模)用于模拟。右图：金属植入物的稀疏CT图像。采用×4欠采样率。
显示窗口为[-10 0 0 10 0 0]HU。

作者提出了一种新的双域数据一致性递归网络(DuDoDR-Net)，DuDoDR-Net如图2所示。

作者提出了一种嵌入卷积递归单元的注意力剩余密集UNet(AttRDUNet)，通过递归图像域和正弦图域恢复来重建无伪影的图像。为了防止递归学习中的过拟合度，并确保所获取的投影数据中的无金属部分被保留，作者还开发了图像数据一致性层(IDCL)和正弦图数据一致性层(SDCL)，将图像和正弦图恢复网络的递归输出连接起来。

作者的DuDoDR-Net是以端到端的方式训练的，在图像域和正弦图域都进行了损耗监测。作者的实验结果表明，DuDoDR-Net可以在不同的稀疏视图采集协议下为金属种植体患者生成高质量的CT重建。

方法

综述

图2. 双域数据一致性递归网络(DuDoDR-Net)示意图，用于同时减少稀疏视图和金属伪像。我们的DuDoDR-Net由图像恢复网络G_IMG和正弦图形恢复网络G_SINO组成，图像和正弦图形数据一致性层交错(iDCL/sDCL)。给出一幅含有稀疏视点和金属伪影的输入CT图像，用FBP重建，迭代地通过G _IMG和G_SING恢复图像和正弦图域中的信号。G_IMG和G_SINO的输出经过iDCL和sDCL，以确保所采集的投影数据的无金属部分被保留。最后的重建I_OUT是最后一个循环阶段的输出。

DuDoDR-Net流程如图2所示。我们的DuDoDR-Net旨在通过递归的图像域学习和正弦图域学习来同时减少稀疏视点和金属伪影。

由稀疏视图&金属影响正弦图 $S_{svma}\in \mathbb{R}^{L*V}$ 重建的FBP图像 $I_{svma}\in \mathbb{R}^{H*W}$ ，首先输入 $G_{img}$ 进行图像域恢复。由于图像内容高度退化(图1)，来自图像域 $G_{img}$ 的图像预测 $I_{SYN}$ 可能遭受较差的图像内容保真度。为了改进这一点，我们首先将 $I_{SYN}$ 输入到 iDCL(图像数据一致性层) 中，然后将图像向正弦图投影，并将已获得的投影数据中的无金属部分整合到正弦图中，以确保投影数据的一致性。然后，将生成的与正弦域一致的数据 $S_{dc}$ 输入到