Design Choices in Splitting-Based Self-Supervised Sparse-View CT Reconstruction

Technische Samenvatting: Ontwerpkiezen in Splitting-gebaseerde Zelf-gesuperviseerde Sparse-view CT Reconstructie

Probleemstelling
In röntgencomputertomografie (CT) is reconstructie vanuit sparse-view metingen een slecht gesteld invers probleem, dat vaak wordt verergerd door ruis en beperkte data als gevolg van stralingsdosis of tijdbeperkingen. Hoewel deep learning state-of-the-art resultaten heeft bereikt, vertrouwen de meeste methoden op gesuperviseerde training met gepaarde ground-truth beelden, die in klinische of industriële omgevingen vaak niet beschikbaar zijn. Zelf-gesuperviseerd leren, specifiek met betrekking tot meting-splitting (bijv. Noise2Self varianten), biedt een oplossing door te trainen op incomplete metingen zonder ground truth. Echter, de invloed van kritieke ontwerpkeuzes—specifiek datapartitieringsstrategieën, de preprocessing van gemaskeerde metingen en inferentiemechanismen—blijft onvoldoende begrepen. Bovendien gaan veel splitting-methoden uit van meting-onafhankelijkheid, een aanname die vaak wordt geschonden in echte CT-systemen waar scintillator-blur zorgt voor ruimtelijk gecorreleerde ruis tussen detector-elementen. Dit onderzoek onderzoekt hoe deze ontwerpkeuzes interageren met verschillende ruisstructuren (onafhankelijk versus gecorreleerd) om optimale reconstructiestrategieën te bepalen.

Methodologie
De auteurs stellen een uniform framework voor dat splitting-gebaseerde zelf-gesuperviseerde reconstructie deelt in drie kerncomponenten: partitionering, preprocessing en inferentie.

1. Partitioneringsstrategieën: De studie evalueert diverse geometrische splitting-strategieën toegepast op de sinogram (projectiedata):
   • Lattice Splitting ($P_{lat}$): Verdeelt het sinogram in regelmatige of onregelmatige grids van $d \times d$ patches, waarbij pixels worden gemaskeerd op basis van hun relatieve positie binnen de patch.
   • Angular Splitting ($P_{ang}$): Maskeert volledige projectiehoeken (rijen in het sinogram) in blokken.
   • Multi-Partition Splitting ($P_{mult}$): Een nieuwe uitbreiding die gelijktijdig invariantie afdwingt langs zowel de hoek- als de detectordimensie, door losses te aggregeren van twee onafhankelijke partitiesystemen.
2. Preprocessing: De auteurs vergelijken twee methoden voor het afhandelen van gemaskeerde entries vóór reconstructie via Filtered Backprojection (FBP):
   • Zero-filling: Het laten staan van gemaskeerde entries als nul.
   • Lineaire Interpolatie: Het schatten van gemaskeerde entries op basis van beschikbare buren.
3. Inferentiestrategieën: Drie strategieën worden geëvalueerd voor het genereren van de uiteindelijke afbeelding $\hat{x}$:
   • Direct Inference (D-inf): Het direct toepassen van het getrainde netwerk op de volledige data.
   • Average Inference (A-inf): Het middelen van reconstructies van complementaire data-splits.
   • P-invariant Inference (P-inf): Een nieuwe strategie die sub-reconstructies in de sinogramruimte aggregeert (met behulp van verfijnde hoek-sampling) om te garanderen dat de output invariant is voor de specifieke masking-partitie, waardoor null-ruimte ambiguïteiten worden verminderd.

Het framework wordt geëvalueerd op de LoDoPaB-CT dataset (gesimuleerd) onder zowel ongecorreleerde Poisson-ruis als gecorreleerde ruis (gesimuleerd via Gaussische ruis en convolutie om scintillator-blur na te bootsen). Validatie vindt ook plaats op de real-world 2DeteCT dataset. Evaluatiemetrieken omvatten standaard foutgebaseerde maten (PSNR, SSIM) en perceptuele/structurele metrieken (LPIPS, HaarPSI).

Belangrijkste Bijdragen

• Uniform Framework: Dit werk introduceert een modulair framework dat partitioning, preprocessing en inferentie isoleert, wat een gecontroleerde vergelijking van bestaande methoden en nieuwe uitbreidingen mogelijk maakt.
• Systematische Benchmarking: Een uitgebreide evaluatie over onafhankelijke en gecorreleerde ruisregimes laat zien dat de optimale strategie sterk afhankelijk is van de ruisstructuur.
• Nieuwe Uitbreidingen: De introductie van Multi-Partition Splitting en P-invariant Inference biedt nieuwe instrumenten voor het benutten van complementaire metings-partities en het afdwingen van invariantie tijdens inferentie.
• Ruis-afhankelijke Richtlijnen: De studie toont aan dat lattice-gebaseerde splitting superieur is onder ongecorreleerde ruis, terwijl angular masking robuuster is onder gecorreleerde ruis en real-world data. Multi-partition splitting presteert consistent beter dan pure projectie-wijze splitting in verschillende settings.
• Metriek Analyse: De inclusie van perceptuele metrieken (LPIPS, HaarPSI) onthult structurele verschillen tussen masking-strategieën die niet door PSNR of SSIM alleen worden gevangen.

Resultaten

• Preprocessing: Lineaire interpolatie van gemaskeerde metingen vóór FBP verbetert de reconstructiekwaliteit (SSIM en HaarPSI) consequent ten opzichte van zero-filling, met name voor direct inference.
• Ruisregimes:
  • Ongecorreleerde Ruis: Lattice-gebaseerde splitting presteert beter dan angular splitting. Multi-partition splitting laat een systematische verbetering zien ten opzichte van pure angular masking.
  • Gecorreleerde Ruis: Angular splitting presteert significant beter dan lattice splitting, omdat het de horizontale correlaties vermijdt die worden geïnduceerd door de scintillator-blur. Multi-partition splitting versterkt de prestaties verder en overtreft soms angular splitting alleen onder invariant inference.
• Inferentie: Zowel Average als P-invariant inference strategieën presteren consequent beter dan Direct Inference. De verbetering is meer uitgesproken in gecorreleerde ruisregimes, waar P-invariant inference de beste resultaten levert door informatie effectief te aggregeren terwijl de masking-structuur wordt gerespecteerd.
• Splitting Dichtheid: Het aantal splits ($s \in \{4, 9, 16\}$) heeft een geringe impact op de prestaties bij ongecorreleerde ruis, maar vertoont duidelijke trends in gecorreleerde ruis, waarbij minder splits (grovere masking) lattice en multi-partition strategieën licht kan bevoordelen, terwijl angular splitting robuust blijft tegen parameter-variaties.

Betekenis
Dit artikel biedt praktische ontwerprichtlijnen voor het ontwikkelen van zelf-gesuperviseerde sparse-view CT reconstructiemethoden. Het benadrukt dat de aanname van meting-onafhankelijkheid, die gebruikelijk is in veel splitting-gebaseerde benaderingen, een kritieke beperking is in realistische beeldvormingsomgevingen waar detectorfysica gestructureerde ruis introduceert. Door aan te tonen dat angular masking robuuster is tegen gecorreleerde ruis en dat multi-partition strategieën extra redundantie kunnen benutten, biedt dit werk een pad naar meer betrouwbare zelf-gesuperviseerde reconstructie in klinische en industriële settings waar ground truth niet beschikbaar is en de ruisstructuren complex zijn. De bevindingen onderstrepen de noodzaak om partitioning en inferentie-strategieën te selecteren die aansluiten bij de specifieke ruiskenmerken van het beeldvormingssysteem.