Рентгеновская компьютерная томография (КТ) позволяет получать изображения внутреннего строения объекта без его разрушения и широко применяется в медицинской диагностике, промышленном контроле и при проверке строительных конструкций. Ее математическая основа была описана в 1917 году И. Радоном как задача восстановления функции по ее интегралам по прямым линиям [1]. Впоследствии эта теория стала алгоритмической основой вычислительной томографии [2, 3].
На практике идеальные данные встречаются крайне редко. Из-за снижения дозы излучения, сокращения времени сканирования или геометрии объекта количество проекций уменьшается, а сигнал детектора искажается квантовыми и электронными шумами. В результате обратная задача становится некорректной: малая погрешность в данных приводит к большим изменениям в решении [4, 5]. По этой причине классические аналитические методы дают некачественное изображение с артефактами, а регуляризация становится неизбежной необходимостью.
В геометрии параллельных пучков проекция (преобразование Радона) индикаторной функции
где s — расстояние от луча до центра, θ — угол обзора, δ — функция Дирака. Разбивая изображение на N×N пикселей и дискретизируя (1), получаем зашумленную систему линейных уравнений:
где A — системная матрица, составленная из длин пересечений лучей с пикселями, b — измеренная синограмма, η — шум измерения, δ — граница его нормы. Через сингулярное разложение A = UΣVᵀ (где σᵢ — сингулярные числа) простое решение
записывается в таком виде. Сингулярные числа томографической матрицы убывают очень быстро, поэтому шумовая составляющая uᵢᵀη/σᵢ при малых σᵢ резко возрастает — это яркое проявление некорректности задачи [4]. Регуляризация Тихонова [6]
подавляет решение с помощью фильтрующих факторов:
и практически не меняя крупные σᵢ, подавляет малые. При неполном угловом диапазоне сложность становится ещё глубже: детали, соответствующие направлениям с недостающими границами, не измеряются вообще, и их не удается полностью восстановить даже с помощью регуляризации [7].
FBP — аналитический метод, предназначенный для полных данных с низким уровнем шума [3]. Каждая проекция умножается в Фурье-области на фильтр |ω| (Рам-Лак), а затем обратно проецируется на плоскость изображения:
где ĥ(ω) = |ω|. Поскольку фильтр усиливает высокие частоты, шум также возрастает; сглаживание с помощью окна Ханна уменьшает шум, но снижает пространственное разрешение.
SIRT [8] (а также SART) решает систему (2) итеративно: на каждой итерации вычисляется поправка по множеству лучей I(θ), относящихся к одному углу θ, и одновременно применяется ко всем пикселям:
где aᵢ₊ = Σⱼ aᵢⱼ (сумма по i- му лучу), a₊ⱼ = Σ aᵢⱼ (сумма по I(θ)), ⟨·,·⟩ — скалярное произведение, λₖ — параметр релаксации. Ранняя остановка итераций сама по себе выполняет функцию регуляризации, однако при высоком уровне шума артефакты всё равно сохраняются.
Многие объекты имеют кусочно-постоянную структуру, то есть их градиент является разреженным. Это состояние приводит к регуляризации на основе модели Рудина–Ошера–Фатеми [9] и теории сжатых измерений [10, 11]:
где μ > 0 — параметр регуляризации, а полная вариация определятся следующим образом:
Вместо прямого решения функционала в данной работе была применена простая и эффективная чередующаяся схема (эта же идея используется в ускоренных методах): на каждой внешней итерации (1) выполняется один проход с помощью SART, (2) результат сглаживается по TV с помощью алгоритма Шамболя, (3) изображение усекается (клипируется) в диапазон [0, 1]. Этот процесс был повторен 8 раз. В последние годы методы обучения на основе подобных моделей [15–17] также получили широкое распространение, однако они требуют обучающего набора данных, что выходит за рамки данной статьи.
В качестве тестового объекта был выбран фантом Шеппа–Логана размером 128×128 пикселей (интенсивность нормализована к [0, 1]). Синограмма вычислялась в геометрии параллельных пучков, к ней добавлялся гауссов шум с нулевым средним и стандартным отклонением σ = ρ·max(g) (в основном эксперименте ρ = 3 %). Рассматривались три сценария: (a) полные данные — 180 проекций в диапазоне 0–180°; (b) разреженные данные — 30 проекций в диапазоне 0–180°; (c) ограниченный угол — 60 проекций в диапазоне 0–100°. Алгоритмы реализованы на основе библиотеки scikit-image: для SART использовано 3 прохода, для SART+TV — 8 внешних итераций и вес Шамболя μ = 0,045 (значение μ выбрано вручную, без критерия). Качество оценивалось двумя показателями:
и SSIM; где x* — эталонное изображение.
На рис. 1 приведены изображения для разреженных и ограниченноугловых данных, в табл. 1 — значения PSNR/SSIM по всем сценариям.
При полных данных лучший результат показал SART+TV (31,27 дБ, SSIM 0,919), тогда как FBP дал 26,32 дБ. Важно, что для варианта FBP с окном Ханна PSNR снизился (24,52 дБ), а SSIM вырос (0,790): сглаживание уменьшает пятнистый шум на изображении, но размывает границы, то есть эти два показателя не всегда изменяются в одном направлении.
Рис. 1. Результаты реконструкции по зашумленным (ρ = 3 %) разреженным (30 углов, верхний ряд) и ограниченноугловым (0–100°, 60 проекций, нижний ряд) данным
Таблица 1
Качество реконструкции: PSNR (дБ) / SSIM (жирным выделен SART+TV — лучший результат в данном сценарии)
|
Сценарий |
FBP (Рам-Лак) |
FBP (Ханн) |
SART |
SART+TV |
|
Полные данные (180 проекций, 0–180°) |
26,32 / 0,561 |
24,52 / 0,790 |
26,71 / 0,539 |
31,27 / 0,919 |
|
Разреженные (30 проекций, 0–180°) |
19,60 / 0,360 |
23,12 / 0,515 |
24,64 / 0,590 |
25,41 / 0,866 |
|
Ограниченный угол (60 проекций, 0–100°) |
17,21 / 0,409 |
17,75 / 0,557 |
19,46 / 0,481 |
19,70 / 0,689 |
При уменьшении числа проекций (до 30) качество FBP резко падает — на изображении появляются лучевые линейные артефакты (19,60 дБ), SART дает 24,64 дБ, а SART+TV — 25,41 дБ, при этом SSIM возрастает с 0,360 до 0,866. Из рис. 2 видно, что при 10 проекциях FBP дает 13,4 дБ, SART — 19,9 дБ, SART+TV — 20,2 дБ; с ростом числа проекций преимущество TV увеличивается (при 180 проекциях SART+TV — 31,1 дБ, SART — 26,9 дБ). В случае же крайне разреженных данных (10–15 проекций) SART и SART+TV почти равны (разница 0,3–0,4 дБ).
Влияние шума показано на рис. 3. При отсутствии шума SART (30,5 дБ) превосходит вариант с TV (28,9 дБ): сглаживание TV стирает мелкие детали и вносит систематическую ошибку. С ростом шума картина меняется: при ρ = 5 % FBP дает 19,3 дБ, SART — 23,2 дБ, SART+TV — 26,7 дБ, а при ρ = 12 % — 13,1, 16,9 и 20,1 дБ соответственно. PSNR алгоритма с TV-регуляризацией при росте шума от 0 до 8 % снижается всего на 4,3 дБ, тогда как у FBP это снижение составляет 13,5 дБ, то есть TV значительно устойчивее к шуму.
В сценарии с ограниченным углом (рис. 1, нижний ряд) улучшение скромное: SART+TV — 19,70 дБ, SART — 19,46 дБ. По SSIM разница заметна (0,689 и 0,481), однако на изображении границы, перпендикулярные недостающим углам, всё равно остаются размытыми, и TV их не восстанавливает. Это согласуется с теорией [7]: регуляризация не может без данных «изобрести» границы в неизмеренных направлениях, их может исправить только дополнительная априорная информация (например, форма или обученная модель).
В качестве практической рекомендации: параметр μ следует связывать с уровнем шума в данных — при малом шуме μ выбирается малым (или близким к нулю), при большом — большим. Если норма шума δ известна, μ можно выбрать по принципу невязки из условия ‖Axμ−b‖₂ ≈ δ [5]. По вычислительной сложности одна внешняя итерация SART+TV равна стоимости прохода SART и TV-сглаживания, что в несколько раз медленнее FBP, но при размере 128×128 выполняется за секунды.
Ограничения результатов: эксперимент выполнен на одном синтетическом фантоме, одной реализации шума (фиксированное начальное значение генератора случайных чисел) и с гауссовым шумом; в реальных детекторах шум имеет пуассоновский характер, а параметр μ необходимо подбирать отдельно для каждого набора данных. Поэтому приведенные различия в дБ показывают тенденцию качества, а не точную гарантию.
Вычислительный эксперимент показал, что на зашумленных и разреженных данных алгоритм SART+TV имеет заметное преимущество перед FBP (при 30 проекциях +5,8 дБ PSNR, SSIM 0,36 → 0,87) и наиболее устойчив к росту шума; на данных без шума регуляризация из-за избыточного сглаживания может давать небольшие потери. В диапазоне ограниченных углов (0–100°) выигрыш от TV мал, так как недостающую информацию нельзя восстановить одной лишь регуляризацией. В дальнейших исследованиях планируется автоматический выбор параметра μ (принцип невязки), модель пуассоновского шума, использование реальных измерительных данных и сравнительный анализ с обучаемыми методами.
Литература:
- Radon J. Über die Bestimmung von Funktionen durch ihre Integralwerte längs gewisser Mannigfaltigkeiten // Berichte über die Verhandlungen der Sächsischen Akademie der Wissenschaften, Leipzig, Math.-Phys. Klasse. — 1917. — Bd. 69. — S. 262–277.
- Natterer F. The Mathematics of Computerized Tomography. — Philadelphia: SIAM, 2001. — 222 p.
- Kak A. C., Slaney M. Principles of Computerized Tomographic Imaging. — Philadelphia: SIAM, 2001. — 327 p.
- Hansen P. C. Discrete Inverse Problems: Insight and Algorithms. — Philadelphia: SIAM, 2010. — 213 p.
- Engl H. W., Hanke M., Neubauer A. Regularization of Inverse Problems. — Dordrecht: Kluwer Academic Publishers, 1996. — 321 p.
- Tikhonov A. N., Arsenin V. Y. Solutions of Ill-Posed Problems. — Washington, DC: Winston & Sons, 1977. — 258 p.
- Quinto E. T. An introduction to X-ray tomography and Radon transforms // Proceedings of Symposia in Applied Mathematics. — 2006. — Vol. 63. — P. 1–23.
- Andersen A. H., Kak A. C. Simultaneous algebraic reconstruction technique (SART): a superior implementation of the ART algorithm // Ultrasonic Imaging. — 1984. — Vol. 6, No. 1. — P. 81–94.
- Rudin L. I., Osher S., Fatemi E. Nonlinear total variation based noise removal algorithms // Physica D. — 1992. — Vol. 60, No. 1–4. — P. 259–268.
- Candès E. J., Romberg J., Tao T. Robust uncertainty principles: exact signal reconstruction from highly incomplete frequency information // IEEE Transactions on Information Theory. — 2006. — Vol. 52, No. 2. — P. 489–509.

