Robustness and Stability Analysis of Differentiable Shift-Variant FBP for Cone-Beam CT under Challenging Acquisition Settings

Technische Samenvatting: Robuustheids- en Stabiliteitsanalyse van Differentiabele Shift-Variante FBP voor Cone-Beam CT

Probleemstelling
Cone-beam computertomografie (CBCT) wordt breed toegepast in beeldgestuurde interventies, maar het behouden van een hoge beeldkwaliteit onder niet-standaard acquisitie-instellingen blijft een uitdaging. Hoewel het Feldkamp-Davis-Kress (FDK) algoritme computationele efficiëntie biedt, gaat het uit van een circulaire baan en presteert het aanzienlijk minder wanneer het wordt toegepast op niet-circulaire of irreguliere trajecten die gebruikelijk zijn bij robotische C-arm systemen. Daarentegen kunnen model-gebaseerde iteratieve reconstructiemethoden (MBIR) algemene trajecten aan, maar lijden zij onder hoge computationele kosten en complexe regularisatievereisten. Eerder werk introduceerde een differentiabel shift-variant filtered backprojection (SV-FBP) framework dat redundantiegewichten op een data-gestuurde manier leert, waardoor de noodzaak voor analytisch afgeleide gewichten die afhankelijk zijn van trajectafgeleiden wordt weggenomen. Echter, de robuustheid van dit framework onder zeer irreguliere, discontinue en sparse-view condities, evenals de toepasbaarheid op multi-isocentrische geometrieën, vereiste een systematische evaluatie.

Methodologie
De studie behoudt de kern van de differentiabele SV-FBP architectuur gebaseerd op Known Operator Learning. In dit framework wordt de reconstructie-pipeline geherformuleerd als een neuraal netwerk waarbij analytische operatoren (2D Radon-transformatie, differentiatie, backprojectie) expliciet behouden blijven, en alleen de trajectafhankelijke redundantiegewichten uit data worden geleerd. Deze aanpak behoudt interpreteerbaarheid terwijl het adaptatie naar willekeurige bron-trajecten mogelijk maakt.

De evaluatie werd uitgevoerd met een gesimuleerde klinische Artis zeego C-arm CT-geometrie met drie verschillende experimentele richtingen:

1. Discontinue Trajecten: Het framework werd getest op drie vaste fixed-isocenter trajectklassen: Random Trajectory (RT), Random Nearest-Neighbor Reordered (RNNR), en Random Farthest-Neighbor Reordered (RFNR). Deze waren ontworpen om de gevoeligheid voor trajectvolgorde en continuïteit te testen, variërend van volledig random tot maximaal discontinue sprongen.
2. Sparse-View Reconstructie: De prestaties werden geëvalueerd onder variërende projectiedichtheden (400, 300, 200 en 100 views) om de grenzen van de methode te identificeren in vergelijking met een algebraïsche iteratieve reconstructie (AIR) baseline.
3. Multi-Isocentrische Geometrie: Het framework werd toegepast op een Lissajous-zadel traject waarbij het rotatiecentrum continu varieert tijdens de scan, wat de toepasbaarheid testt buiten de fixed-isocenter aannames.

Training maakte gebruik van synthetische ground-truth volumes met geometrische primitieven, terwijl inferentie zowel synthetische als echte patiëntgegevens uit de Pancreatic-CT-CBCT-SEG dataset omvatte. Het model werd geoptimaliseerd met een gecombineerde MSE en SSIM loss functie.

Belangrijkste Bijdragen

• Systematische Robuustheidsanalyse: De studie biedt een uitgebreide beoordeling van differentiabele SV-FBP onder agressieve discontinuïteiten (RFNR), waarbij wordt aangetoond dat het framework stabiel blijft ondanks ernstige traject-irregulariteiten.
• Identificatie van Prestatie-drivers: De analyse onthult dat de reconstructiekwaliteit primair wordt bepa eigenlijk door de ruimtelijke distributie van bemonsteringspunten in plaats van de continuïteit of volgorde van het traject.
• Sparse-View Transitie-regime: Het artikel identificeert een duidelijk transitie-regime waar de methode competitief blijft met iteratieve benaderingen bij matige bemonsteringsdensiteiten (300–400 views), maar degradeert onder ernstige undersampling (100–200 views) vanwege het gebrek aan iteratieve data-consistentie.
• Toepasbaarheid van Multi-Isocentrische Geometrie: Het framework blijkt effectief te functioneren op niet-planare, multi-isocentrische trajecten (Lissajous-zadel) zonder dat architecturale wijzigingen nodig zijn.

Resultaten

• Traject-robuustheid: Kwantitatieve metrieken (MSE, PSNR, SSIM) over RT, RNNR en RFNR trajecten waren zeer consistent. Visualisaties bevestigden dat de reconstructiekwaliteit niet significant degradeerde met toenemende discontinuïteit. De geleerde redundantiegewichten vertoonden vergelijkbare ruimtelijke patronen over alle trajecttypen na uitlijning van de bron-positie indexering, wat aangeeft dat het model zich aanpast aan de ruimtelijke distributie van de samples in plaats van aan de traversale volgorde.
• Sparse-View Prestaties: Bij matige bemonstering (300–400 views) bereikte differentiabele SV-FBP een reconstructiekwaliteit die vergelijkbaar is met of licht beter is dan 50-iteratie AIR, met een reductie in computationele tijd van ongeveer één orde van grootte. Onder ernstige undersampling (100–200 views) presteerde de iteratieve baseline beter dan SV-FBP, omdat de iteratieve updates van AIR de inconsistente metingen gedeeltelijk konden compenseren, terwijl de FBP-type pipeline van SV-FBP dat niet kon.
• Multi-Isocentrische Evaluatie: Op het Lissajous-zadel traject bereikte het framework metrieken (MSE: 0.0984, PSNR: 36.41 dB, SSIM: 0.9521) die vergelijkbaar zijn met fixed-isocenter sinusoidale trajecten, waarbij fijne structurele details succesvol werden gereconstrueerd met beperkte artefacten.

Betekenis en Claims
Het artikel positioneert differentiabele SV-FBP als een flexibele en efficiënte oplossing voor niet-standaard en robotische CBCT-acquisitiescenario's. De bevindingen verduidelijken dat de methode robuust is tegen sterke traject-irregulariteit, wat het geschikt maakt voor complexe robotische paden waar analytische wegingsschema's falen. De auteurs merken echter bescheiden op dat de beperkingen van de methode naar voren komen bij ernstige undersampling, waarbij de afwezigheid van iteratieve data-consistentie leidt tot prestatievermindering ten opzichte van iteratieve baselines. Bij consequent wordt het framework gepresenteerd als een praktisch compromis tussen de snelheid van analytische reconstructie en de flexibiliteit van data-gestuurde wegingsschema's, wat een levensvatbaar alternatief biedt voor klinische toepassingen waarbij acquisitie-trajecten afwijken van standaard circulaire ontwerpen maar waarbij de bemonsteringsdensiteit matig blijft. Toekomstig werk suggereert dit framework te combineren met expliciete data-consistentie mechanismen om ernstige undersampling aan te pakken.