µPIU-Net: A Domain-Specific Sinogram Infilling U-Net for Micro-CBCT and the Limitations of Generalized Models

Resumen Técnico: µPIU-Net: Una U-Net de Infilling de Sinogramas Específica para un Dominio para Micro-CBCT y las Limitaciones de los Modelos Generalizados

Planteamiento del Problema
La tomografía computarizada de haz cónico (CBCT) de vista dispersa ofrece una vía para reducir la dosis de radiación mediante la adquisición de menos proyecciones. Sin embargo, los algoritmos de reconstrucción convencionales, como el de Feldkamp-Davis-Kress (FDK), producen artefactos de estrías severos cuando se aplican a sinogramas submuestreados. Estos artefactos no son ruido aleatorio, sino distorsiones espacialmente coherentes que ocurren en los límites entre regiones de alta y baja atenuación. Si bien el aprendizaje profundo ha logrado éxito en el inpainting de imágenes naturales, no está claro si los modelos de propósito general preentrenados en conjuntos de datos de imágenes naturales (por ejemplo, CelebA-HQ, Places) pueden transferirse eficazmente al dominio especializado del infilling de sinogramas de CT. Además, las evaluaciones existentes suelen depender de métricas convencionales (SSIM, PSNR) calculadas en el dominio del sinograma, las cuales pueden no predecir de manera fiable la calidad del volumen reconstruido final o capturar las características físicas relevantes de la imagen clínica.

Metodología
El estudio introduce µPIU-Net (micro Projection Infilling U-Net), una arquitectura U-Net ligera y específica para un dominio, diseñada para el infilling de proyecciones de micro-CBCT. A diferencia de los modelos de inpainting de propósito general que operan sobre cortes de sinograma 2D, µPIU-Net realiza un infilling basado en proyecciones: dadas dos proyecciones de rayos X adyacentes adquiridas con pequeñas separaciones angulares (1.756°), predice la proyección intermedia en el ángulo medio. Este enfoque aprovecha la fuerte correlación geométrica entre las vistas vecinas para densificar el muestreo angular sin exposición adicional a la radiación.

La arquitectura es una U-Net compacta con aproximadamente 279,000 parámetros entrenables, que utiliza conexiones de salto basadas en adición, convoluciones de paso (stride) 2 para el submuestreo y convoluciones transpuestas para el sobremuestreo. Es entrenada desde cero en un conjunto de datos de escaneos de micro-CT de ratones utilizando la pérdida de Error Cuadrático Medio (MSE).

Para evaluar la eficacia del entrenamiento específico de dominio frente a la generalización, los autores comparan µPIU-Net contra cinco modelos de inpainting de propósito general de última generación utilizando sus pesos preentrenados disponibles públicamente:

1. LaMa (Inpainting de máscara grande con convoluciones de Fourier)
2. MAT (Transformador consciente de la máscara)
3. DeepFill v2 (Basado en GAN)
4. RePaint (Basado en difusión)
5. Stable Diffusion 2 (Difusión latente)

La evaluación se lleva a cabo en dos dominios:

• Dominio del Sinograma: Comparando las proyecciones rellenadas directamente contra la verdad de campo (ground truth).
• Dominio de la Reconstrucción: Comparando los volúmenes reconstruidos mediante FDK contra la verdad de campo.

Crucialmente, el estudio emplea métricas de calidad de imagen física junto con las métricas convencionales:

• Función de Transferencia de Modulación (MTF): Cuantifica la resolución espacial.
• Espectro de Potencia de Ruido (NPS): Caracteriza la textura del ruido.
• Cuantos Equivalentes de Ruido (NEQ): Combina MTF y NPS para indicar la detectabilidad de la señal.

Resultados Clave

• Fallo de Transferencia de Dominio: Los modelos de propósito general, a pesar de lograr una fidelidad razonable en el dominio del sinograma (por ejemplo, DeepFill v2 alcanzó un SSIM de sinograma de 0.816), fallaron catastróficamente en el dominio de la reconstrucción. Sus puntuaciones de SSIM de reconstrucción (0.08–0.11) fueron significativamente inferiores a la línea base submuestreada (0.348). En contraste, µPIU-Net duplicó el SSIM de reconstrucción de la línea base (0.697 vs. 0.348).
• Desconexión de Métricas: Un alto SSIM en el dominio del sinograma no se correlacionó con un alto SSIM en el dominio de la reconstrucción. El estudio demuestra que las métricas del dominio del sinograma por sí solas son insuficientes para evaluar la calidad de la reconstrucción.
• Calidad de Imagen Física:
  • µPIU-Net mantuvo una textura de ruido (NPS) muy cercana a la verdad de campo mientras mejoraba la transferencia de contraste (MTF), lo que resultó en un NEQ que superó a la verdad de campo en todo el espectro de frecuencias.
  • RePaint mostró un NPS más bajo (debido al suavizado) pero degradó la MTF, lo que llevó a una disminución neta del NEQ en comparación con la línea base.
  • La Línea Base Submuestreada exhibió una MTF elevada (un artefacto de las estrías) pero un NPS alto, resultando en un NEQ deficiente.
• Desempeño Cualitativo: µPIU-Net produjo reconstrucciones visualmente casi indistinguibles de la verdad de campo con una supresión efectiva de los artefactos de estrías. Los modelos de propósito general introdujeron artefactos severos (por ejemplo, anillos concéntricos en Stable Diffusion 2) o degradaron los detalles finos.

Significancia y Reivindicaciones
El artículo afirma que el entrenamiento específico de dominio es esencial para un infilling de sinogramas efectivo en la imagen médica. Incluso una U-Net compacta entrenada con datos apropiados de micro-CT supera sustancialmente a arquitecturas sofisticadas preentrenadas en imágenes naturales. Los autores destacan que la "brecha de dominio" entre las imágenes naturales y los sinogramas de CT es una barrera primaria para el aprendizaje por transferencia, ya que las propiedades estadísticas y la codificación física de los coeficientes de atenuación difieren fundamentalmente de las texturas y la semántica de las imágenes naturales.

El estudio aboga por una metodología de evaluación más rigurosa en las aplicaciones de física médica. Afirma que confiar únicamente en SSIM y PSNR, particularmente en el dominio del sinograma, puede ser engañoso. En su lugar, la integración de métricas de calidad de imagen física (MTF, NPS, NEQ) proporciona una caracterización más completa de los métodos de aprendizaje profundo, capturando la resolución espacial, la textura del ruido y la detectabilidad de la señal, factores directamente relevantes para la utilidad diagnóstica.

Finalmente, el trabajo demuestra que el infilling basado en proyecciones puede permitir una reducción del 50% en las proyecciones adquiridas para micro-CT preclínico, apoyando los objetivos de reducción de dosis mientras se mantiene la calidad de la imagen diagnóstica, siempre que el modelo sea entrenado específicamente para el dominio de la imagen.