Resumo Técnico: Neighbor2Inverse para Redução de Ruído em PBI-CT de Baixa Dose

Declaração do Problema

A imagem de contraste de fase de raios X baseada em propagação (PBI) oferece contraste superior de tecidos moles, particularmente para imagem pulmonar, potencialmente reduzindo a necessidade de biópsias invasivas. No entanto, traduzir a PBI para a prática clínica exige uma redução significativa da dose de radiação. Estratégias atuais para reduzir a dose — como diminuir o tempo de exposição, limitar projeções ou restringir o campo de visão a uma Região de Interesse (ROI) — inevitavelmente aumentam o ruído da imagem e introduzem artefatos (por exemplo, artefatos de truncamento, artefatos de anel).

Embora a redução de ruído baseada em aprendizado profundo tenha mostrado promessa, métodos supervisionados exigem conjuntos de dados pareados de baixa e alta dose, que raramente estão disponíveis na prática devido a restrições éticas e logísticas. Dados simulados frequentemente falham em replicar as características de ruído do mundo real, introduzindo viés. Métodos auto-supervisionados existentes (por exemplo, Noise2Noise, Neighbor2Neighbor, Noise2Inverse) abordam a falta de verdade fundamental, mas não estão bem adaptados aos desafios específicos da PBI-CT de ROI, que incluem ruído espacialmente correlacionado, requisitos de recuperação de fase e altas demandas computacionais decorrentes de grandes contagens de pixels.

Metodologia

Os autores propõem o Neighbor2Inverse, um framework de redução de ruído auto-supervisionado projetado especificamente para PBI-CT de baixa dose que se generaliza para TC clínica. O método adapta o princípio Neighbor2Neighbor ao problema inverso tomográfico.

Pipeline Central

1. Subamostragem no Domínio de Projeção: Em vez de subamostrar a imagem reconstruída, o método subamostra os dados de projeção brutos ($p_\phi$). Uma única projeção ruidosa é dividida em patches não sobrepostos de $2 \times 2$ pixels. De cada patch, dois pixels vizinhos são selecionados aleatoriamente para gerar duas variantes subamostradas, $g_1(p_\phi)$ e $g_2(p_\phi)$. Essas variantes compartilham informações estruturais quase idênticas, mas contêm realizações de ruído estatisticamente independentes.
2. Pipeline de Reconstrução: As projeções subamostradas passam pelo pipeline padrão de reconstrução PBI:
   • Recuperação de Fase: Mapas de espessura são computados usando o algoritmo de recuperação de fase de material único (Paganin et al.).
   • Reconstrução: A Retroprojeção Filtrada (FBP) é aplicada para gerar fatias de imagem.
3. Objetivo de Treinamento: Uma rede de redução de ruído U-Net ($f_\theta$) é treinada no domínio da imagem. Uma fatia reconstruída (derivada de $g_1$) é alimentada na rede, e a outra (derivada de $g_2$) serve como alvo. A rede aprende a mapear a entrada ruidosa para o alvo "mais limpo" sem exigir uma verdade fundamental livre de ruído.
4. Funções de Perda:
   • Perda Base ($L_{Nei}$): Minimiza a diferença entre a saída da rede e a reconstrução subamostrada alvo.
   • Regularização ($L_{reg}$): Uma adaptação do termo de correção Neighbor2Neighbor para levar em conta discrepâncias de sinal potenciais entre as entradas subamostradas.
   • Variantes de Fidelidade de Dados: Os autores também exploraram substituir $L_{reg}$ por termos de fidelidade de dados ($L_{origSino}$ e $L_{virtSino}$), que comparam a saída da rede (após projeção direta) contra os sinogramas originais ou virtuais para impor consistência com os dados medidos.

Configuração Experimental

• Conjunto de Dados PBI: Escaneamentos de pulmão de bezerros adquiridos no Australian Synchrotron. Os dados incluem 3600 projeções a 70 keV. Sete tempos de exposição (15ms a 200ms) foram testados. Os escaneamentos de 200ms serviram como referências de alta qualidade, enquanto os escaneamentos de 15ms simularam condições de baixa dose.
• Conjunto de Dados Clínico: 200 exames de TC de tórax do Desafio de Detecção de Embolia Pulmonar da RSNA. Condições de baixa dose foram simuladas projetando volumes para frente e adicionando ruído misto Poisson-Gaussiano.
• Comparações: O método foi avaliado contra filtros analíticos (Gaussiano, BM3D, TV, Wavelet), outros métodos auto-supervisionados (Noise2Inverse, Neighbor2Neighbor, Blind2Unblind, Proj2Proj, ZeroShotN2N, Filter2Noise, SDCNN) e uma abordagem supervisionada usando ruído sintético (FakeNoiseNet).

Contribuições Principais

1. Framework Inovador: Introdução do Neighbor2Inverse, o primeiro método de redução de ruído auto-supervisionado adaptado especificamente para o problema inverso da PBI-CT de ROI, abordando ruído espacialmente correlacionado e restrições de recuperação de fase.
2. Adaptação de Domínio: O método conecta com sucesso a lacuna entre subamostragem no domínio de projeção e redução de ruído no domínio da imagem, permitindo que a rede explore correlações espaciais nas imagens reconstruídas finais.
3. Avaliação Abrangente: Uma comparação sistemática contra uma ampla gama de métodos analíticos e baseados em aprendizado em dados de PBI de sincrotron e dados de TC clínica simulada.
4. Análise de Robustez: Investigação do desempenho do método sob condições de visão esparsa (subamostragem) e sensibilidade aos hiperparâmetros de regularização.

Resultados

• Dados PBI (15ms vs. 200ms): O Neighbor2Inverse alcançou supressão de ruído superior enquanto preservava detalhes estruturais finos (por exemplo, limites alveolares) em comparação com métodos analíticos e outras abordagens auto-supervisionadas.
  • Métricas: Alcançou o maior índice de qualidade de imagem composto ($Q = \text{CNR}/\text{SR}$) entre todos os métodos testados. Especificamente, a variante de subamostragem de sinograma alcançou um $Q$ de $2.507 \pm 1.087$, superando a referência de 200ms ($1.413 \pm 0.304$) nesta métrica.
  • Visualização: Ao contrário de métodos que suavizam excessivamente (por exemplo, TV, Gaussiano) ou introduzem distorções estruturais (por exemplo, FakeNoiseNet), o Neighbor2Inverse manteve a nitidez e reduziu o ruído efetivamente.
• Dados Clínicos: Em TC clínica simulada de baixa dose, o Neighbor2Inverse demonstrou desempenho competitivo, correspondendo estreitamente ao U-Net supervisionado em PSNR e SSIM, embora o Noise2Inverse tenha mostrado pontuações ligeiramente mais altas nessas métricas específicas (que os autores observam favorecer imagens super-suavizadas).
• Desempenho em Visão Esparsa: Quando aplicado a dados com apenas 900 projeções (metade do original), o Neighbor2Inverse reduziu tanto o ruído quanto os artefatos de subamostragem angular, embora com alguma atenuação de contraste em estruturas finas.
• Estratégia de Redução de Dose: O estudo constatou que reduzir o tempo de exposição por projeção é menos prejudicial à qualidade da imagem do que reduzir o número de projeções, uma vez que o passo de recuperação de espessura atua como um filtro de ruído implícito.

Significado e Alegações

O artigo afirma que o Neighbor2Inverse representa um passo significativo em direção à tradução clínica da PBI, permitindo imageamento de alta qualidade com doses de radiação substancialmente reduzidas, sem a necessidade de dados de treinamento pareados de alta dose.

• Relevância Clínica: O método aborda a barreira crítica da segurança radiológica na imagem pulmonar, potencialmente reduzindo a necessidade de biópsias invasivas ao fornecer detalhes diagnósticos suficientes de forma não invasiva.
• Insight Metodológico: Os autores demonstram que, para esta aplicação específica, a regularização de dados (via $L_{reg}$) não é estritamente essencial para um treinamento eficaz, embora termos de fidelidade de dados possam melhorar a preservação estrutural à custa de um ruído residual ligeiramente maior.
• Limitações e Trabalho Futuro: Os autores reconhecem modestamente que métricas quantitativas (CNR, SSIM, PSNR) podem ser insensíveis a distorções estruturais sutis e podem favorecer imagens super-suavizadas. Eles sugerem que trabalhos futuros devem focar em avaliação baseada em tarefas para alinhar melhor com as necessidades diagnósticas clínicas. Além disso, uma investigação mais aprofundada de formulações de fidelidade de dados é proposta como uma direção promissora.

O trabalho conclui que o Neighbor2Inverse consistentemente melhora a qualidade da imagem em regimes de baixa dose e permanece robusto sob subamostragem moderada, oferecendo um caminho viável para aproximar a PBI da aplicação clínica.