Resumen Técnico: Neighbor2Inverse para la Eliminación de Ruido en PBI-CT de Baja Dosis

Enunciado del Problema

La imagenología de contraste de fase de rayos X basada en propagación (PBI) ofrece un contraste superior de tejidos blandos, particularmente para la imagenología pulmonar, reduciendo potencialmente la necesidad de biopsias invasivas. Sin embargo, trasladar la PBI a la práctica clínica requiere una reducción significativa de la dosis de radiación. Las estrategias actuales para reducir la dosis, como reducir el tiempo de exposición, limitar las proyecciones o restringir el campo de visión a una Región de Interés (ROI), inevitablemente aumentan el ruido de la imagen e introducen artefactos (por ejemplo, artefactos de truncamiento, artefactos de anillo).

Aunque la eliminación de ruido basada en aprendizaje profundo ha mostrado promesa, los métodos supervisados requieren conjuntos de datos emparejados de baja y alta dosis, los cuales rara vez están disponibles en la práctica debido a restricciones éticas y logísticas. Los datos simulados a menudo fallan al replicar las características reales del ruido, introduciendo sesgos. Los métodos auto-supervisados existentes (por ejemplo, Noise2Noise, Neighbor2Neighbor, Noise2Inverse) abordan la falta de verdad fundamental, pero no están bien adaptados a los desafíos específicos de la PBI-CT con ROI, que incluyen ruido espacialmente correlacionado, requisitos de recuperación de fase y altas demandas computacionales derivadas de grandes cantidades de píxeles.

Metodología

Los autores proponen Neighbor2Inverse, un marco de eliminación de ruido auto-supervisado diseñado específicamente para PBI-CT de baja dosis que se generaliza a la CT clínica. El método adapta el principio de Neighbor2Neighbor al problema inverso tomográfico.

Pipeline Central

1. Muestreo en el Dominio de Proyección: En lugar de muestrear la imagen reconstruida, el método muestrea los datos de proyección crudos ($p_\phi$). Una sola proyección ruidosa se divide en parches de píxeles de $2 \times 2$ no superpuestos. De cada parche, se seleccionan aleatoriamente dos píxeles vecinos para generar dos variantes muestreadas, $g_1(p_\phi)$ y $g_2(p_\phi)$. Estas variantes comparten información estructural casi idéntica pero contienen realizaciones de ruido estadísticamente independientes.
2. Pipeline de Reconstrucción: Las proyecciones muestreadas pasan por el pipeline estándar de reconstrucción PBI:
   • Recuperación de Fase: Se calculan mapas de espesor utilizando el algoritmo de recuperación de fase de un solo material (Paganin et al.).
   • Reconstrucción: Se aplica la Retroproyección Filtrada (FBP) para generar cortes de imagen.
3. Objetivo de Entrenamiento: Una red de eliminación de ruido U-Net ($f_\theta$) se entrena en el dominio de la imagen. Un corte reconstruido (derivado de $g_1$) se introduce en la red, y el otro (derivado de $g_2$) sirve como objetivo. La red aprende a mapear la entrada ruidosa al objetivo "más limpio" sin requerir una verdad fundamental libre de ruido.
4. Funciones de Pérdida:
   • Pérdida Base ($L_{Nei}$): Minimiza la diferencia entre la salida de la red y la reconstrucción muestreada objetivo.
   • Regularización ($L_{reg}$): Una adaptación del término de corrección de Neighbor2Neighbor para tener en cuenta posibles discrepancias de señal entre las entradas muestreadas.
   • Variantes de Fidelidad de Datos: Los autores también exploraron reemplazar $L_{reg}$ con términos de fidelidad de datos ($L_{origSino}$ y $L_{virtSino}$), que comparan la salida de la red (tras la proyección hacia adelante) contra los sinogramas originales o virtuales para imponer consistencia con los datos medidos.

Configuración Experimental

• Conjunto de Datos PBI: Escaneos de pulmones de becerro adquiridos en el Síncrotron Australiano. Los datos incluyen 3600 proyecciones a 70 keV. Se probaron siete tiempos de exposición (de 15 ms a 200 ms). Los escaneos de 200 ms sirvieron como referencias de alta calidad, mientras que los escaneos de 15 ms simularon condiciones de baja dosis.
• Conjunto de Datos Clínico: 200 exámenes de CT torácica del Desafío de Detección de Embolia Pulmonar de la RSNA. Las condiciones de baja dosis se simularon proyectando volúmenes hacia adelante y añadiendo ruido Poisson-Gaussiano mixto.
• Comparaciones: El método se comparó con filtros analíticos (Gaussiano, BM3D, TV, Wavelet), otros métodos auto-supervisados (Noise2Inverse, Neighbor2Neighbor, Blind2Unblind, Proj2Proj, ZeroShotN2N, Filter2Noise, SDCNN) y un enfoque supervisado que utiliza ruido sintético (FakeNoiseNet).

Contribuciones Clave

1. Marco Novel: Introducción de Neighbor2Inverse, el primer método de eliminación de ruido auto-supervisado diseñado específicamente para el problema inverso de la PBI-CT con ROI, abordando el ruido espacialmente correlacionado y las restricciones de recuperación de fase.
2. Adaptación de Dominio: El método cruza exitosamente la brecha entre el muestreo en el dominio de proyección y la eliminación de ruido en el dominio de la imagen, permitiendo que la red explote las correlaciones espaciales en las imágenes reconstruidas finales.
3. Evaluación Exhaustiva: Una comparación sistemática contra una amplia gama de métodos analíticos y basados en aprendizaje tanto en datos PBI de sincrotrón como en datos de CT clínica simulada.
4. Análisis de Robustez: Investigación del rendimiento del método bajo condiciones de vistas escasas (submuestreo) y sensibilidad a los hiperparámetros de regularización.

Resultados

• Datos PBI (15 ms vs. 200 ms): Neighbor2Inverse logró una supresión de ruido superior mientras preservaba detalles estructurales finos (por ejemplo, límites alveolares) en comparación con métodos analíticos y otros enfoques auto-supervisados.
  • Métricas: Logró el índice de calidad de imagen compuesto más alto ($Q = \text{CNR}/\text{SR}$) entre todos los métodos probados. Específicamente, la variante de submuestreo de sinograma logró un $Q$ de $2.507 \pm 1.087$, superando a la referencia de 200 ms ($1.413 \pm 0.304$) en esta métrica.
  • Visuales: A diferencia de métodos que suavizan en exceso (por ejemplo, TV, Gaussiano) o introducen distorsiones estructurales (por ejemplo, FakeNoiseNet), Neighbor2Inverse mantuvo la nitidez y redujo el ruido de manera efectiva.
• Datos Clínicos: En la CT clínica simulada de baja dosis, Neighbor2Inverse demostró un rendimiento competitivo, coincidiendo estrechamente con la U-Net supervisada en PSNR y SSIM, aunque Noise2Inverse mostró puntuaciones ligeramente más altas en estas métricas específicas (lo cual, según los autores, favorece imágenes sobre-suavizadas).
• Rendimiento con Vistas Escasas: Cuando se aplicó a datos con solo 900 proyecciones (la mitad de las originales), Neighbor2Inverse redujo tanto el ruido como los artefactos de submuestreo angular, aunque con cierta atenuación del contraste en estructuras finas.
• Estrategia de Reducción de Dosis: El estudio encontró que reducir el tiempo de exposición por proyección es menos perjudicial para la calidad de la imagen que reducir el número de proyecciones, ya que el paso de recuperación de espesor actúa como un filtro de ruido implícito.

Significado y Afirmaciones

El artículo afirma que Neighbor2Inverse representa un paso significativo hacia la traducción clínica de la PBI al permitir imágenes de alta calidad con dosis de radiación sustancialmente reducidas sin la necesidad de datos de entrenamiento emparejados de alta dosis.

• Relevancia Clínica: El método aborda la barrera crítica de la seguridad radiológica en la imagenología pulmonar, reduciendo potencialmente la necesidad de biopsias invasivas al proporcionar suficiente detalle diagnóstico de manera no invasiva.
• Perspectiva Metodológica: Los autores demuestran que, para esta aplicación específica, la regularización de datos (mediante $L_{reg}$) no es estrictamente esencial para un entrenamiento efectivo, aunque los términos de fidelidad de datos pueden mejorar la preservación estructural a costa de un ruido residual ligeramente mayor.
• Limitaciones y Trabajo Futuro: Los autores reconocen modestamente que las métricas cuantitativas (CNR, SSIM, PSNR) pueden ser insensibles a distorsiones estructurales sutiles y pueden favorecer imágenes sobre-suavizadas. Sugieren que el trabajo futuro debe centrarse en la evaluación basada en tareas para alinearse mejor con las necesidades diagnósticas clínicas. Además, se propone una investigación más exhaustiva de las formulaciones de fidelidad de datos como una dirección prometedora.

El trabajo concluye que Neighbor2Inverse mejora consistentemente la calidad de la imagen en regímenes de baja dosis y permanece robusto bajo submuestreo moderado, ofreciendo una vía viable para acercar la PBI a la aplicación clínica.