Consistency Conditions, Compressed Sensing and Machine Learning for Limited Angle Tomography

Language
en
Document Type
Doctoral Thesis
Issue Date
2020-02-17
Issue Year
2020
Authors
Huang, Yixing
Editor
Abstract

Cone-beam computed tomography (CBCT) is a widely used imaging technology for medical diagnosis and interventions nowadays. Compared with conventional 2-D X-ray images, 3-D volumes reconstructed by CBCT provide cross sectional images and offer much better visualization of patients' anatomical structures and disease information. In clinical applications, angiographic C-arm devices are commonly used to acquire 3-D images for image guided therapies. To acquire necessary data for image reconstruction, typically a short scan is performed. However, in practice, the gantry rotation of a C-arm system might be restricted by other system parts or external obstacles. In these cases, the limited angle reconstruction problem arises. Image reconstruction from data acquired in an insufficient angular range is called limited angle tomography. Due to missing data, artifacts, typically in the form of streaks, will degrade image quality, causing boundary distortion, edge blurry, and intensity bias. These artifacts may lead to misinterpretation of images. Therefore, artifact reduction in limited angle tomography has essential clinical value.

In the course of this thesis, various algorithms are proposed to deal with data insufficiency in limited angle tomography. The first category of algorithms are to restore missing data based on data consistency conditions. Specifically, iterative Papoulis-Gerchberg algorithms based on the well known Helgason-Ludwig consistency condition (HLCC) and Fourier consistency conditions of sinograms and a regression-filtering-fusion method based on HLCC are proposed. These algorithms are able to reduce most artifacts for the Shepp-Logan phantom and a clinical image. However, it is suited for parallel-beam limited angle tomography only since HLCC is derived in parallel-beam computed tomography. The second category of algorithms are to use compressed sensing technologies. The iterative reweighted total variation (wTV) algorithm is adapted for the use in limited angle tomography. While it is able to reduce small streaks well, it is rather inept at reducing large streaks due to scale limitation. Therefore, two implementations of scale-space anisotropic total variation (ssaTV) are proposed to overcome the limitations of wTV. Both ssaTV implementations take the advantage of scale-space optimization and the anisotropic distribution of streak orientations in limited angle tomography. Therefore, they both reduce streak artifacts more effectively and efficiently than wTV. The last category of algorithms are using machine learning techniques, including traditional machine learning and deep learning. In the traditional machine learning part, reduced error-pruning tree (REPTree) is proposed to predict artifacts from extracted mean-variance-median, Hessian, and shift variant data loss features. Although REPTree achieves very good performance on the validation Shepp-Logan data, it still requires further improvement for clinical applications. Instead, deep learning, particularly the U-Net, achieves very impressive results in 120-degree cone-beam limited angle tomography on clinical data. However, its robustness is still a concern. Our experiments demonstrate that the U-Net is sensitive to Poisson noise and adversarial examples. The robustness to Poisson noise can be improved by retraining on data with noise. However, the retrained U-Net model is still susceptible to adversarial examples. To make the U-Net robust, data consistency deep learning reconstruction is proposed, which utilizes deep learning reconstructions as prior images and further constrains them consistent to measured projection data to improve image quality.

Abstract

Die Kegelstrahl-Computertomographie ist heutzutage eine weit verbreitete Bildgebungstechnologie für medizinische Diagnose und Interventionen. Sie liefert Querschnittsbilder und bietet eine gute Darstellung der anatomischen Strukturen und Krankheitsinformationen des Patienten. In klinischen Anwendungen werden angiographische C-Bogen-Geräte üblicherweise zur Aufnahme von 3D-Bildern für bildgesteuerte Therapien verwendet.
In einigen Fällen kann die Rotation der C-Bogen-Gantry durch andere Systemteile oder externe Hindernisse eingeschränkt sein. Die Bildrekonstruktion aus Daten, die in einem nicht ausreichenden Winkelbereich aufgenommen wurden, wird als Tomographie mit begrenztem Winkel bezeichnet. Aufgrund fehlender Daten verschlechtern Artefakte, normalerweise in Form von Streifen, die Bildqualität. Dies führt zur Verzerrung von Kanten, Unschärfe an Rändern und zu einem Intensitätsbias. Diese Artefakte können zu einer Fehlinterpretation von Bildern führen. Daher ist die Artefaktreduktion bei der Tomographie mit begrenztem Winkel von wesentlichem klinischen Wert.

Im Rahmen dieser Arbeit werden verschiedene Algorithmen vorgeschlagen, um mit der Dateninsuffizienz bei der Tomographie mit begrenztem Winkel umzugehen. Die erste Kategorie von Algorithmen besteht darin, fehlende Daten basierend auf den Datenkonsistenzbedingungen wiederherzustellen. Vorgeschlagen werden iterative Papoulis-Gerchberg-Algorithmen, welche auf der Helgason-Ludwig-Konsistenz-bedingung (HLCC) und Fourier-Konsistenzbedingungen von Sinogrammen basieren, und eine auf HLCC basierende Regressionsfilterungs-Fusion-Methode. Diese Algorithmen sind in der Lage, die meisten Artefakte für das Shepp-Logan-Phantom und ein klinisches Bild zu reduzieren. Es ist jedoch nur für Parallelstrahl-Tomographie mit begrenztem Winkel geeignet, da HLCC für die Parallelstrahl-Computertomographie hergeleitet wird. Die zweite Kategorie von Algorithmen besteht darin, Compressed Sensing zu verwenden. Der iterative reweighted total Variation (wTV) Algorithmus wird für die Verwendung in der Tomographie mit eingeschränktem Winkel angepasst. Er ist zwar in der Lage, kleine Streifen gut zu reduzieren, für große Streifen sind jedoch aufgrund der Skalenbeschränkungen eher unzulänglich. Daher werden zwei Implementierungen der anisotropic reweighted total Variation (ssaTV) vorgeschlagen. Beide ssaTV-Implementierungen nutzen Scale-Space-Optimierung und die anisotrope Verteilung von Streifenorientierungen in der eingeschränkten Winkeltomographie. Daher reduzieren sie beide die Streifenartefakte effektiver und effizienter als wTV. Die letzte Kategorie von Algorithmen verwendet sowohl traditionelle Verfahren des maschinellen Lernens als auch deep Learning. Im traditionellen Teil des maschinellen Lernens wird ein reduzierter Fehlerbeschneidungsbaum (REPTree) vorgeschlagen, um Artefakte anhand von manuell definierten Mittelwert-Varianz-Median-, Hesse-Matrix- und verschiebungsvarianten Datenverlust-Merkmalen vorherzusagen. Obwohl REPTree eine sehr gute Leistung bei den Shepp-Logan-Daten erzielt, muss er für klinische Anwendungen noch weiter verbessert werden. Stattdessen erzielt Deep Learning, insbesondere das U-Net, sehr beeindruckende Ergebnisse auf klinischen Daten bei der Kegelstrahl-Winkeltomographie mit einen eingeschränkten Winkel von 120 Grad. Die Robustheit ist hier jedoch immer noch ein Problem. Unsere Experimente zeigen, dass das U-Net empfindlich gegen Poisson-Rauschen und adversarial Examples ist. Die Robustheit gegenüber Poisson-Rauschen kann erhöht werden, wenn auf verrauschten Daten trainiert wird. Aber das neu trainierte U-net ist immer noch gegen anfällig gegenüber adversarial Examples. Um das U-Net robust zu machen, wird eine datenkonsistente deep Learning-basierte Rekonstruktion vorgeschlagen, bei der deep Learning Rekonstruktionen als prior-Bilder verwendet werden und diese weiter konsistent auf die gemessenen Projektionsdaten einschränkt, um die Bildqualität zu verbessern.

DOI
Faculties & Collections
Zugehörige ORCIDs