X線CTメタルアーティファクトを減らすためのクロスドメインメタルトレース復元ネットワーク

金属アーティファクトは、一般に、金属インプラントを含む患者体のコンピューター断層撮影（CT）画像に登場し、疾患の診断に影響を与える可能性があります。既知の深い学習と従来の金属微量回復方法は、X線CTシノグラムの詳細とシノグラムの一貫性情報を効果的に復元しなかったため、CT画像にかなりの二次アーティファクトを引き起こすことがよくありました。このホワイトペーパーでは、CT画像の金属製アーティファクトを減らし、組織の詳細を回復しながらシノグラムの一貫性を促進する新しいクロスドメインメタルトレース復元ネットワークを提案します。私たちの新しいアプローチには、画像ドメインとシノグラムドメインの間の情報交換を保証するクロスドメイン手順が含まれており、それらがお互いを促進し、補完するのに役立ちます。このクロスドメイン構造の下で、階層分析ネットワーク（HAN）を開発して金属微量の細かい詳細を回復し、知覚損失を利用してHANを導き、金属トレースのシノグラムの一貫性情報の吸収に集中します。クロスドメインネットワーク全体をエンドツーエンドの効率的にトレーニングし、グラフィックメモリの使用量と時間コストを削減できるようにするために、FPとFPおよびフィルタリングされたバックプロジェクション（FBP）層を提案し、FBPアルゴリズム。3つの異なる臨床シナリオでシミュレートされたデータセットと臨床データセットの両方を使用して、提案されているネットワークの実用性と普遍性を評価します。定量的評価と定性的評価の結果は、新しいネットワークが最先端の金属アーティファクト削減方法を上回ることを示しています。さらに、Elapsed Time分析は、提案された方法が臨床時間要件を満たしていることを示しています。

Metal artifacts commonly appear in computed tomography (CT) images of the patient body with metal implants and can affect disease diagnosis. Known deep learning and traditional metal trace restoring methods did not effectively restore details and sinogram consistency information in X-ray CT sinograms, hence often causing considerable secondary artifacts in CT images. In this paper, we propose a new cross-domain metal trace restoring network which promotes sinogram consistency while reducing metal artifacts and recovering tissue details in CT images. Our new approach includes a cross-domain procedure that ensures information exchange between the image domain and the sinogram domain in order to help them promote and complement each other. Under this cross-domain structure, we develop a hierarchical analytic network (HAN) to recover fine details of metal trace, and utilize the perceptual loss to guide HAN to concentrate on the absorption of sinogram consistency information of metal trace. To allow our entire cross-domain network to be trained end-to-end efficiently and reduce the graphic memory usage and time cost, we propose effective and differentiable forward projection (FP) and filtered back-projection (FBP) layers based on FP and FBP algorithms. We use both simulated and clinical datasets in three different clinical scenarios to evaluate our proposed network's practicality and universality. Both quantitative and qualitative evaluation results show that our new network outperforms state-of-the-art metal artifact reduction methods. In addition, the elapsed time analysis shows that our proposed method meets the clinical time requirement.