Technische Samenvatting: Neighbor2Inverse voor Ruisreductie bij Low-Dose PBI-CT

Probleemstelling

Propagatiegebaseerde röntgenfasecontrastbeeldvorming (PBI) biedt superieur contrast voor zacht weefsel, met name voor longbeeldvorming, en kan potentieel de noodzaak voor invasieve biopsieën verminderen. Het vertalen van PBI naar de klinische praktijk vereist echter een aanzienlijke reductie van de stralingsdosis. Bestaande strategieën om de dosis te verlagen – zoals het verkorten van de blootstellingstijd, het beperken van het aantal projecties of het beperken van het gezichtsveld tot een Gebied van Interesse (ROI) – verhogen onvermijdelijk de beeldruis en introduceren artefacten (bijvoorbeeld truncatie-artefacten, ringartefacten).

Hoewel ruisreductie op basis van deep learning veelbelovend is, vereisen supervised methoden gekoppelde datasets met lage en hoge dosis, die in de praktijk zelden beschikbaar zijn vanwege ethische en logistieke beperkingen. Gesimuleerde data slaagt er vaak niet in om ruiskenmerken uit de echte wereld na te bootsen, wat leidt tot bias. Bestaande zelfsupervised methoden (bijvoorbeeld Noise2Noise, Neighbor2Neighbor, Noise2Inverse) lossen het gebrek aan grondwahrheid op, maar zijn niet goed aangepast aan de specifieke uitdagingen van ROI PBI-CT, waaronder ruimtelijk gecorreleerde ruis, eisen voor faseherstel en hoge rekenvereisten door grote pixelaantallen.

Methodologie

De auteurs stellen Neighbor2Inverse voor, een zelfsupervised framework voor ruisreductie dat specifiek is ontworpen voor low-dose PBI-CT en generaliseert naar klinische CT. De methode past het Neighbor2Neighbor-principe toe op het tomografische inverse probleem.

Kernpijplijn

1. Subsampling in het projectiedomein: In plaats van het gereconstrueerde beeld te subsamplen, subsamplet de methode de ruwe projectiedata ($p_\phi$). Een enkele ruisbevatte projectie wordt verdeeld in niet-overlappende $2 \times 2$ pixelpatches. Uit elke patch worden twee aangrenzende pixels willekeurig geselecteerd om twee gesubsamplede varianten te genereren, $g_1(p_\phi)$ en $g_2(p_\phi)$. Deze varianten delen bijna identieke structurele informatie maar bevatten statistisch onafhankelijke ruisrealisaties.
2. Reconstrutiepijplijn: De gesubsamplede projecties ondergaan de standaard PBI-reconstrutiepijplijn:
   • Faseherstel: Diktemaps worden berekend met behulp van het faseherstelalgoritme voor één materiaal (Paganin et al.).
   • Reconstrutie: Filtered Backprojection (FBP) wordt toegepast om beeldschijven te genereren.
3. Trainingsdoel: Een U-Net-ruisreductienetwerk ($f_\theta$) wordt getraind in het beelddomein. Één gereconstrueerde schijf (afgeleid van $g_1$) wordt aan het netwerk gevoerd, en de andere (afgeleid van $g_2$) dient als doelwit. Het netwerk leert om de ruisbevatte invoer af te beelden op het "schonere" doelwit zonder dat een ruisvrije grondwahrheid vereist is.
4. Verliesfuncties:
   • Basisverlies ($L_{Nei}$): Minimaliseert het verschil tussen de netwerkoutput en het doelwit van de gesubsamplede reconstrutie.
   • Regularisatie ($L_{reg}$): Een aanpassing van de Neighbor2Neighbor-correctieterm om rekening te houden met potentiële signaalverschillen tussen de gesubsamplede invoeren.
   • Varianten voor Data-gevoeligheid: De auteurs hebben ook onderzocht om $L_{reg}$ te vervangen door termen voor data-gevoeligheid ($L_{origSino}$ en $L_{virtSino}$), die de netwerkoutput (na voorwaartse projectie) vergelijken met de originele of virtuele sinogrammen om consistentie met de gemeten data af te dwingen.

Experimentele Opstelling

• PBI-dataset: Longscan van kalf opgenomen bij de Australische Synchrotron. De data omvat 3600 projecties bij 70 keV. Zeven blootstellingstijden (15 ms tot 200 ms) werden getest. De 200 ms-scans dienden als referentie van hoge kwaliteit, terwijl 15 ms-scans low-dose condities simuleerden.
• Klinische dataset: 200 thorax-CT-onderzoeken van de RSNA Pulmonary Embolism Detection Challenge. Low-dose condities werden gesimuleerd door volumes voorwaarts te projecteren en gemengde Poisson-Gauss-ruis toe te voegen.
• Vergelijkingen: De methode werd gebenchmarkt tegen analytische filters (Gauss, BM3D, TV, Wavelet), andere zelfsupervised methoden (Noise2Inverse, Neighbor2Neighbor, Blind2Unblind, Proj2Proj, ZeroShotN2N, Filter2Noise, SDCNN) en een supervised aanpak met synthetische ruis (FakeNoiseNet).

Belangrijkste Bijdragen

1. Nieuw Framework: Introductie van Neighbor2Inverse, de eerste zelfsupervised methode voor ruisreductie die specifiek is toegespitst op het inverse probleem van ROI PBI-CT, en die ruimtelijk gecorreleerde ruis en beperkingen voor faseherstel aanpakt.
2. Domeinadaptatie: De methode overbrugt succesvol de kloof tussen subsampling in het projectiedomein en ruisreductie in het beelddomein, waardoor het netwerk ruimtelijke correlaties in de uiteindelijke gereconstrueerde beelden kan benutten.
3. Uitgebreide Evaluatie: Een systematische vergelijking tegen een breed scala aan analytische en leer-gebaseerde methoden op zowel synchrotron PBI-data als gesimuleerde klinische CT-data.
4. Robuustheidsanalyse: Onderzoek naar de prestaties van de methode onder condities met weinig views (undersampling) en gevoeligheid voor regularisatie-hyperparameters.

Resultaten

• PBI-data (15 ms vs. 200 ms): Neighbor2Inverse bereikte superieure ruisreductie terwijl fijne structurele details (bijvoorbeeld alveolaire grenzen) werden behouden, in vergelijking met analytische methoden en andere zelfsupervised benaderingen.
  • Metingen: Het behaalde de hoogste samengestelde beeldkwaliteitsindex ($Q = \text{CNR}/\text{SR}$) onder alle geteste methoden. Specifiek behaalde de variant met sinogram-subsampling een $Q$ van $2,507 \pm 1,087$, wat beter presteerde dan de 200 ms-referentie ($1,413 \pm 0,304$) op deze maatstaf.
  • Visueel: In tegenstelling tot methoden die te veel gladstrijken (bijvoorbeeld TV, Gauss) of structurele vervormingen introduceren (bijvoorbeeld FakeNoiseNet), behield Neighbor2Inverse scherpte en verminderde ruis effectief.
• Klinische data: Op gesimuleerde low-dose klinische CT toonde Neighbor2Inverse concurrerende prestaties, waarbij het de supervised U-Net nauwkeurig benaderde in PSNR en SSIM, hoewel Noise2Inverse iets hogere scores behaalde op deze specifieke metrieken (waarbij de auteurs opmerken dat deze over-gladde beelden bevoordelen).
• Prestaties bij weinig views: Wanneer toegepast op data met slechts 900 projecties (de helft van het origineel), verminderde Neighbor2Inverse zowel ruis als artefacten door hoekondersampling, zij het met enige verzwakking van het contrast in fijne structuren.
• Strategie voor dosisreductie: De studie vond dat het verkorten van de blootstellingstijd per projectie minder schadelijk is voor de beeldkwaliteit dan het verminderen van het aantal projecties, aangezien de stap voor dikteherstel fungeert als een impliciet ruisfilter.

Betekenis en Aanspraken

Het artikel beweert dat Neighbor2Inverse een belangrijke stap voorwaarts is naar de klinische toepassing van PBI door beeldvorming van hoge kwaliteit mogelijk te maken bij aanzienlijk verlaagde stralingsdoses zonder de noodzaak van gekoppelde trainingsdata met hoge dosis.

• Klinische relevantie: De methode adresseert de kritieke barrière van stralingsveiligheid in longbeeldvorming en kan potentieel de noodzaak voor invasieve biopsieën verminderen door voldoende diagnostische details niet-invasief te bieden.
• Methodologisch inzicht: De auteurs demonstreren dat voor deze specifieke toepassing data-regularisatie (via $L_{reg}$) niet strikt essentieel is voor effectieve training, hoewel termen voor data-gevoeligheid de structurele behoud kunnen verbeteren ten koste van iets hogere residuale ruis.
• Beperkingen en toekomstig werk: De auteurs erkennen bescheiden dat kwantitatieve metrieken (CNR, SSIM, PSNR) ongevoelig kunnen zijn voor subtiele structurele vervormingen en mogelijk over-gladde beelden bevoordelen. Zij suggereren dat toekomstig werk zich moet richten op taakgebaseerde evaluatie om beter aan te sluiten bij klinische diagnostische behoeften. Bovendien wordt een grondiger onderzoek naar formuleringen voor data-gevoeligheid voorgesteld als een veelbelovende richting.

Het werk concludeert dat Neighbor2Inverse consistent de beeldkwaliteit verbetert in low-dose regimes en robuust blijft onder matige undersampling, en zo een haalbare weg biedt om PBI dichter bij de klinische toepassing te brengen.