Generative Adversarial Networks in X-ray Computed Tomography

Abstract

Computertomografi (CT) med røntgenstråler åpner opp for ikke-destruktiv bildetaking av interne strukturer i materialer. Prosessen for å ta CT-bilder består av å måle røntgenprojeksjoner av en prøve, for deretter å beregningsmessig rekonstruere en 3D-modell av prøven fra projeksjonene. Det å måle projeksjonene tar tid, og det brukes en strålingskilde. Det er et økende behov for å forbedre teknikker for å ta bilde av dynamiske prosesser, samt å redusere strålingsskade på de avbildede materialene. Dette krever at projeksjonene blir tatt fort, eller at antallet projeksjoner reduseres. En slik endring i bildetakingsmetoden fører til økt støy og artefakter i de rekonstruerte bildene. I denne avhandlingen bruker vi generative adversarielle nettverk (GAN), en maskinlæringsmodell, til å redusere støy i undersamplete og støyfylte CT bilder.

Et GAN har blitt trent for å transformere støyfylte CT-bilder til høykvalitets CT-bilder, som i praksis vil si at det fjerner støy. Støyreduksjonen med GAN gir en økning i et strukturelt likhetsmål (SSIM) fra 0.223 til 0.789, og reduserer den midlere kvadratiske feilen fra 704.4 til 210.8, for et projeksjonsundersamplet CT-datasett med 46 projeksjoner uniformt undersamplet fra et høykvalitets datasett med 1500 projeksjoner. GAN-metoden har blitt testet med en rekke ulike grader av projeksjonsundersampling, samt med endringer i tapsfunksjonen. Et log-cosh-ledd har blitt lagt til i tapsfunksjonen brukt til å trene GANet. Det ga en forbedring i SSIM fra 0.778 til 0.789 for det forannevnte datasettet uten å introdusere noen nevneverdige ulemper.

Støyreduksjonen med GAN har blitt sammenlignet med en tidligere-bilde-begrenset komprimert sensing (PICCS)-rekonstruering av et dynamisk-CT-datasett. GAN-støyreduksjonen oppnår lignende resultater som PICCS-rekonstruksjonen, og noen detaljer som ikke er observerbare i PICCS-rekonstruksjonen kan sees i GAN-støyreduksjonen.

Artefakter mellom planene oppstår når metoden støyreduserer 2D bilder av et 3D objekt langs et plan. Disse artefaktene kan reduseres ved å bruke en dybdeparameter under treningen av GANet som lar metoden bruke andre nærliggende bilder for å bruke 3D informasjon til støyreduseringen.

X-ray computed tomography (CT) allows for non-destructive imaging of internal structures of materials. The process of creating CT images involves recording x-ray projections of a sample, and computationally reconstructing the projections into a 3D image of the sample. There is an increasing need to extend the methodology to imaging dynamical processes and also limit radiation induced damage on the studied materials. This requires that the projections are obtained with very little capture time and/or the number of projections are reduced. Such data collection strategies will result in noisy and artifact prone reconstructed images. In this thesis we utilize generative adversarial networks (GANs), a form of machine learning model, to denoise subsampled and noisy CT images.

A GAN has been trained to map noisy CT images to high-quality CT images, effectively denoising them. The GAN improves the structural similarity index measure (SSIM) of the noisy reconstruction from 0.233 to 0.789, and the mean squared error from 704.4 to 210.8, when denoising an undersampled CT dataset containing 46 uniformly sampled projections from a high-quality dataset which contains 1500 projections. The GAN has been tested for a range of undersampling levels as well as modifying the loss function. A log-cosh term has been introduced to the loss function used to train the GAN, yielding an improvement in the achieved SSIM from 0.788 to 0.789 for the aforementioned undersampled reconstruction, without introducing any discernible drawbacks.

The GAN denoising has been compared to a prior image constrained compressed sensing (PICCS) reconstruction of a dynamic CT dataset. The GAN denoising achieves comparable image quality to the PICCS reconstruction, with some sample details not distinguishable in the PICCS reconstruction being captured by the GAN denoised reconstruction.

Interaxial banding artifacts are introduced when denoising 2D slices of a 3D sample along an axial plane. These artifacts are reduced by using a depth parameter when training the GAN, allowing the denoising to utilize 3D spatial information from adjacent slices.