Riepilogo Tecnico: Neighbor2Inverse per la Riduzione del Rumore in PBI-CT a Dose Ridotta

Enunciato del Problema

L'imaging a contrasto di fase basato sulla propagazione dei raggi X (PBI) offre un contrasto superiore per i tessuti molli, in particolare per l'imaging polmonare, riducendo potenzialmente la necessità di biopsie invasive. Tuttavia, il trasferimento del PBI alla pratica clinica richiede una significativa riduzione della dose di radiazioni. Le attuali strategie per abbassare la dose, come la riduzione del tempo di esposizione, la limitazione delle proiezioni o la restrizione del campo di vista a una Regione di Interesse (ROI), aumentano inevitabilmente il rumore dell'immagine e introducono artefatti (ad esempio, artefatti da troncamento, artefatti ad anello).

Sebbene la riduzione del rumore basata sull'apprendimento profondo abbia mostrato promesse, i metodi supervisionati richiedono dataset accoppiati a dose bassa e alta, raramente disponibili nella pratica a causa di vincoli etici e logistici. I dati simulati spesso non riescono a replicare le caratteristiche del rumore reale, introducendo distorsioni. I metodi auto-supervisionati esistenti (ad esempio, Noise2Noise, Neighbor2Neighbor, Noise2Inverse) affrontano la mancanza di verità fondamentale (ground truth) ma non sono ben adattati alle sfide specifiche della PBI-CT in ROI, che includono rumore correlato spazialmente, requisiti di recupero della fase e elevate richieste computazionali dovute all'alto numero di pixel.

Metodologia

Gli autori propongono Neighbor2Inverse, un framework di riduzione del rumore auto-supervisionato progettato specificamente per la PBI-CT a dose bassa, che si generalizza alla TC clinica. Il metodo adatta il principio Neighbor2Neighbor al problema inverso tomografico.

Pipeline Principale

1. Sottocampionamento nel Dominio delle Proiezioni: Invece di sottocampionare l'immagine ricostruita, il metodo sottocampiona i dati di proiezione grezzi ($p_\phi$). Una singola proiezione rumorosa viene divisa in patch di pixel $2 \times 2$ non sovrapposte. Da ogni patch, due pixel adiacenti vengono selezionati casualmente per generare due varianti sottocampionate, $g_1(p_\phi)$ e $g_2(p_\phi)$. Queste varianti condividono informazioni strutturali quasi identiche ma contengono realizzazioni di rumore statisticamente indipendenti.
2. Pipeline di Ricostruzione: Le proiezioni sottocampionate subiscono la pipeline standard di ricostruzione PBI:
   • Recupero della Fase: Vengono calcolate mappe di spessore utilizzando l'algoritmo di recupero della fase per un singolo materiale (Paganin et al.).
   • Ricostruzione: Viene applicata la Retroproiezione Filtrata (FBP) per generare fette dell'immagine.
3. Obiettivo di Addestramento: Una rete di riduzione del rumore U-Net ($f_\theta$) viene addestrata nel dominio dell'immagine. Una fetta ricostruita (derivata da $g_1$) viene inserita nella rete, mentre l'altra (derivata da $g_2$) funge da target. La rete impara a mappare l'input rumoroso sul target "più pulito" senza richiedere una verità fondamentale priva di rumore.
4. Funzioni di Perdita:
   • Perdita Base ($L_{Nei}$): Minimizza la differenza tra l'output della rete e la ricostruzione sottocampionata target.
   • Regolarizzazione ($L_{reg}$): Un adattamento del termine di correzione Neighbor2Neighbor per tenere conto delle potenziali discrepanze di segnale tra gli input sottocampionati.
   • Varianti di Fedeltà ai Dati: Gli autori hanno anche esplorato la sostituzione di $L_{reg}$ con termini di fedeltà ai dati ($L_{origSino}$ e $L_{virtSino}$), che confrontano l'output della rete (dopo la proiezione in avanti) con i sinogrammi originali o virtuali per imporre la coerenza con i dati misurati.

Configurazione Sperimentale

• Dataset PBI: Scansioni di polmoni di vitello acquisite al Australian Synchrotron. I dati includono 3600 proiezioni a 70 keV. Sono stati testati sette tempi di esposizione (da 15 ms a 200 ms). Le scansioni da 200 ms hanno funto da riferimenti di alta qualità, mentre quelle da 15 ms hanno simulato condizioni a dose bassa.
• Dataset Clinico: 200 esami TC del torace provenienti dalla RSNA Pulmonary Embolism Detection Challenge. Le condizioni a dose bassa sono state simulate proiettando in avanti i volumi e aggiungendo rumore misto Poisson-Gaussiano.
• Confronti: Il metodo è stato confrontato con filtri analitici (Gaussiano, BM3D, TV, Wavelet), altri metodi auto-supervisionati (Noise2Inverse, Neighbor2Neighbor, Blind2Unblind, Proj2Proj, ZeroShotN2N, Filter2Noise, SDCNN) e un approccio supervisionato che utilizza rumore sintetico (FakeNoiseNet).

Contributi Chiave

1. Nuovo Framework: Introduzione di Neighbor2Inverse, il primo metodo di riduzione del rumore auto-supervisionato progettato specificamente per il problema inverso della PBI-CT in ROI, affrontando il rumore correlato spazialmente e i vincoli di recupero della fase.
2. Adattamento di Dominio: Il metodo colma con successo il divario tra il sottocampionamento nel dominio delle proiezioni e la riduzione del rumore nel dominio dell'immagine, permettendo alla rete di sfruttare le correlazioni spaziali nelle immagini ricostruite finali.
3. Valutazione Completa: Un confronto sistematico contro una vasta gamma di metodi analitici e basati sull'apprendimento su dati PBI da sincrotrone e dati TC clinici simulati.
4. Analisi di Robustezza: Indagine sulle prestazioni del metodo in condizioni di viste sparse (sottocampionamento) e sulla sensibilità ai iperparametri di regolarizzazione.

Risultati

• Dati PBI (15 ms vs 200 ms): Neighbor2Inverse ha ottenuto una soppressione del rumore superiore preservando al contempo i dettagli strutturali fini (ad esempio, i confini degli alveoli) rispetto ai metodi analitici e ad altri approcci auto-supervisionati.
  • Metriche: Ha raggiunto il più alto indice di qualità dell'immagine composito ($Q = \text{CNR}/\text{SR}$) tra tutti i metodi testati. Nello specifico, la variante di sottocampionamento del sinogramma ha raggiunto un $Q$ di $2.507 \pm 1.087$, superando il riferimento da 200 ms ($1.413 \pm 0.304$) in questa metrica.
  • Visuali: A differenza dei metodi che eccessivamente lisciano (ad esempio, TV, Gaussiano) o introducono distorsioni strutturali (ad esempio, FakeNoiseNet), Neighbor2Inverse ha mantenuto la nitidezza e ridotto il rumore in modo efficace.
• Dati Clinici: Su TC clinica simulata a dose bassa, Neighbor2Inverse ha dimostrato prestazioni competitive, corrispondendo strettamente alla U-Net supervisionata in termini di PSNR e SSIM, sebbene Noise2Inverse abbia mostrato punteggi leggermente superiori su queste metriche specifiche (che, come notano gli autori, favoriscono immagini eccessivamente lisciate).
• Prestazioni in Viste Sparse: Quando applicato a dati con sole 900 proiezioni (metà dell'originale), Neighbor2Inverse ha ridotto sia il rumore che gli artefatti da sottocampionamento angolare, sebbene con una certa attenuazione del contrasto nelle strutture fini.
• Strategia di Riduzione della Dose: Lo studio ha rilevato che ridurre il tempo di esposizione per proiezione è meno dannoso per la qualità dell'immagine rispetto a ridurre il numero di proiezioni, poiché il passo di recupero dello spessore agisce come un filtro del rumore implicito.

Significato e Affermazioni

Il documento afferma che Neighbor2Inverse rappresenta un passo significativo verso il trasferimento clinico del PBI, consentendo imaging di alta qualità a dosi di radiazioni sostanzialmente ridotte senza la necessità di dati di addestramento ad alta dose accoppiati.

• Rilevanza Clinica: Il metodo affronta la barriera critica della sicurezza delle radiazioni nell'imaging polmonare, riducendo potenzialmente la necessità di biopsie invasive fornendo dettagli diagnostici sufficienti in modo non invasivo.
• Insight Metodologico: Gli autori dimostrano che per questa specifica applicazione, la regolarizzazione dei dati (tramite $L_{reg}$) non è strettamente essenziale per un addestramento efficace, sebbene i termini di fedeltà ai dati possano migliorare la preservazione strutturale a scapito di un rumore residuo leggermente più alto.
• Limitazioni e Lavori Futuri: Gli autori riconoscono modestamente che le metriche quantitative (CNR, SSIM, PSNR) possono essere insensibili a distorsioni strutturali sottili e possono favorire immagini eccessivamente lisciate. Suggeriscono che i lavori futuri dovrebbero concentrarsi sulla valutazione basata sul compito per allinearsi meglio alle esigenze diagnostiche cliniche. Inoltre, è proposta un'indagine più approfondita sulle formulazioni di fedeltà ai dati come direzione promettente.

Il lavoro conclude che Neighbor2Inverse migliora costantemente la qualità dell'immagine nei regimi a dose bassa e rimane robusto sotto sottocampionamento moderato, offrendo un percorso praticabile per avvicinare il PBI all'applicazione clinica.