Unsupervised Density Neural Representation for CT Metal Artifact Reduction

最近出现的基于隐式神经表示（INR）的无监督重建技术，如NeRP、CoIL和SCOPE，在CT线性反演成像方面表现出独特的能力。本文提出了一种新颖的无监督密度神经表示（Diner），以解决扫描物体中含有金属时的CT金属伪影问题。金属的线性衰减系数（LAC）在X射线光谱上的急剧变化导致CT测量中的非线性光束硬化效应（BHE）。因此，从受金属影响的测量中恢复CT图像是一个复杂的非线性反问题。现有的金属伪影减少（MAR）技术大多将MAR作为图像修复任务来规划，而忽略了能量引起的BHE并产生亚优性能。相反，我们的Diner将一个能量相关的多色CT前向模型引入INR框架，以解决MAR问题的非线性特性。具体而言，我们通过充分考虑X射线吸收的物理模型，将能量相关的LAC分解为能量无关的密度和能量相关的质量衰减系数（MAC）。使用密度作为枢轴变量，使用MAC作为已知先验知识，可以从原始测量中准确地重建LAC。从技术上讲，我们将未知的密度图表示为坐标的隐式函数。结合一种新颖的可微分前向模型，该模型模拟从密度到测量的物理采集过程，我们的Diner通过最小化预测误差来优化多层感知网络，以逼近隐式函数。在模拟和真实数据集上的实验结果证实了我们的无监督Diner在MAR性能和鲁棒性方面优于流行的监督技术。

本论文试图解决CT扫描中金属伪影问题，提出了一种新的无监督密度神经表示(Diner)方法。

Diner引入了基于能量的多色CT正演模型到隐式神经表示(INR)框架中，通过完全考虑X射线吸收的物理模型，将能量依赖的线性衰减系数(LACs)分解为能量无关的密度和能量依赖的质量衰减系数(MACs)，并使用密度作为枢轴变量和MACs作为已知先验知识，从原始测量中准确重建LACs。

论文在模拟和真实数据集上进行了实验，证实了Diner在金属伪影去除方面的卓越性能和鲁棒性。Diner还使用了可微分的正演模型来模拟从密度到测量的物理获取，这是一个新的思路。然而，论文并没有提供开源代码。

在相关研究方面，最近的一些研究包括NeRP、CoIL和SCOPE等基于INR的重建技术以及其他一些金属伪影去除(MAR)方法，这些方法大多数将MAR视为图像修复任务，忽略了能量引起的BHE，并且表现不佳。