Unrolled iterative reconstruction networks for implicit motion compensation in dynamic nano computed tomography

Abstract

Computed tomography (CT) has revolutionized imaging, but faces a significant challenge in dynamic scenarios where objects move during scanning. This motion, common in nano-CT due to thermal drift or in medical imaging due to patient breathing, introduces severe reconstruction artifacts. Traditional methods, such as the computationally intensive RESESOP-Kaczmarz algorithm, require precise motion knowledge and can take days to reconstruct a single image. This dissertation addresses this problem by developing novel deep learning architectures that implicitly learn to compensate for motion, building on the intersection of classical iterative reconstruction and modern machine learning. We introduce two distinct architectures: a fully learned operator network and a Radon network, both of which unroll the SESOP algorithm into a neural network structure. Evaluated on simulated dynamic nano-CT datasets, these models demonstrate superior reconstruction quality compared to state-of-the-art iterative methods, while dramatically reducing the computation time from days to seconds. This work’s implications suggest a promising pathway toward real-time, high-quality CT imaging in challenging real-world applications where motion is unavoidable. By integrating the mathematical strengths of iterative regularization techniques with the adaptive capabilities of deep learning, this research makes a significant contribution to the advancement of CT imaging, making it more adaptable to a wider range of critical applications.

Die Computertomographie (CT) hat die Bildgebung revolutioniert, steht jedoch in dynamischen Szenarien, in denen sich Objekte während des Scannens bewegen, vor einer großen Herausforderung. Diese Bewegung, die aufgrund von thermischer Drift in der Nano-CT oder aufgrund der Atmung des Patienten in der medizinischen Bildgebung häufig auftritt, führt zu starken Rekonstruktionsartefakten. Herkömmliche Methoden, wie der rechenintensive RESESOP-Kaczmarz Algorithmus, erfordern präzise Bewegungskenntnisse und können Tage dauern, um ein einzelnes Bild zu rekonstruieren. Diese Dissertation befasst sich mit diesem Problem, indem sie neuartige Deep Learning Architekturen entwickelt, die implizit lernen, Bewegungen zu kompensieren, und dabei auf der Schnittmenge zwischen klassischer iterativer Rekonstruktion und modernem maschinellem Lernen aufbauen. Wir stellen zwei unterschiedliche Architekturen vor: ein vollständig gelerntes Operatornetzwerk und ein Radon Netzwerk, die beide den SESOP Algorithmus in eine neuronale Netzwerkstruktur umsetzen. Diese Modelle wurden anhand simulierter dynamischer Nano-CT Datensätze evaluiert und weisen im Vergleich zu den derzeit modernsten iterativen Methoden eine überlegene Rekonstruktionsqualität auf, während sie gleichzeitig die Rechenzeit von Tagen auf Sekunden drastisch reduzieren. Die Ergebnisse dieser Arbeit lassen einen vielversprechenden Weg hin zu einer hochwertigen Echtzeit-CT-Bildgebung in anspruchsvollen realen Anwendungen erkennen, in denen Bewegungen unvermeidbar sind. Durch die Integration der mathematischen Stärken iterativer Regularisierungstechniken mit den adaptiven Fähigkeiten des Deep Learning leistet diese Forschung einen bedeutenden Beitrag zur Weiterentwicklung der CT-Bildgebung und macht sie anpassungsfähiger für ein breiteres Spektrum kritischer Anwendungen.