Computed tomography (CT) has been widely used for medical diagnosis, assessment, and therapy planning and guidance. In reality, CT images may be affected adversely in the presence of metallic objects, which could lead to severe metal artifacts and influence clinical diagnosis or dose calculation in radiation therapy. In this article, we propose a generalizable framework for metal artifact reduction (MAR) by simultaneously leveraging the advantages of image domain and sinogram domain-based MAR techniques. We formulate our framework as a sinogram completion problem and train a neural network (SinoNet) to restore the metal-affected projections. To improve the continuity of the completed projections at the boundary of metal trace and thus alleviate new artifacts in the reconstructed CT images, we train another neural network (PriorNet) to generate a good prior image to guide sinogram learning, and further design a novel residual sinogram learning strategy to effectively utilize the prior image information for better sinogram completion. The two networks are jointly trained in an end-to-end fashion with a differentiable forward projection (FP) operation so that the prior image generation and deep sinogram completion procedures can benefit from each other. Finally, the artifact-reduced CT images are reconstructed using the filtered backward projection (FBP) from the completed sinogram. Extensive experiments on simulated and real artifacts data demonstrate that our method produces superior artifact-reduced results while preserving the anatomical structures and outperforms other MAR methods.

中文翻译：

---

用于减少 CT 图像中金属伪影的图像先验的深度正弦图补全。

计算机断层扫描 (CT) 已广泛用于医学诊断、评估以及治疗计划和指导。在现实中，CT 图像可能会在存在金属物体的情况下受到不利影响，这可能导致严重的金属伪影并影响放射治疗中的临床诊断或剂量计算。在本文中，我们通过同时利用基于图像域和正弦图域的 MAR 技术的优势，提出了一种用于金属伪影减少 (MAR) 的通用框架。我们将我们的框架制定为一个正弦图完成问题，并训练一个神经网络 (SinoNet) 来恢复受金属影响的投影。为了提高金属痕迹边界处完整投影的连续性，从而减轻重建 CT 图像中的新伪影，我们训练另一个神经网络 (PriorNet) 生成良好的先验图像来指导正弦图学习，并进一步设计了一种新颖的残差正弦图学习策略，以有效利用先验图像信息来更好地完成正弦图。这两个网络通过可微分前向投影 (FP) 操作以端到端的方式联合训练，以便先验图像生成和深度正弦图完成程序可以相互受益。最后，使用过滤后的反向投影 (FBP) 从完整的正弦图重建减少伪影的 CT 图像。对模拟和真实伪影数据的大量实验表明，我们的方法在保留解剖结构的同时产生了卓越的伪影减少结果，并且优于其他 MAR 方法。并进一步设计了一种新颖的残差正弦图学习策略，以有效利用先验图像信息来更好地完成正弦图。这两个网络通过可微分前向投影 (FP) 操作以端到端的方式联合训练，以便先验图像生成和深度正弦图完成程序可以相互受益。最后，使用过滤后的反向投影 (FBP) 从完整的正弦图重建减少伪影的 CT 图像。对模拟和真实伪影数据的大量实验表明，我们的方法在保留解剖结构的同时产生了卓越的伪影减少结果，并且优于其他 MAR 方法。并进一步设计了一种新颖的残差正弦图学习策略，以有效利用先验图像信息来更好地完成正弦图。这两个网络通过可微分前向投影 (FP) 操作以端到端的方式联合训练，以便先验图像生成和深度正弦图完成程序可以相互受益。最后，使用过滤后的反向投影 (FBP) 从完整的正弦图重建减少伪影的 CT 图像。对模拟和真实伪影数据的大量实验表明，我们的方法在保留解剖结构的同时产生了卓越的伪影减少结果，并且优于其他 MAR 方法。这两个网络通过可微分前向投影 (FP) 操作以端到端的方式联合训练，以便先验图像生成和深度正弦图完成程序可以相互受益。最后，使用过滤后的反向投影 (FBP) 从完整的正弦图重建减少伪影的 CT 图像。对模拟和真实伪影数据的大量实验表明，我们的方法在保留解剖结构的同时产生了卓越的伪影减少结果，并且优于其他 MAR 方法。这两个网络通过可微分前向投影 (FP) 操作以端到端的方式联合训练，以便先验图像生成和深度正弦图完成程序可以相互受益。最后，使用过滤后的反向投影 (FBP) 从完整的正弦图重建减少伪影的 CT 图像。对模拟和真实伪影数据的大量实验表明，我们的方法在保留解剖结构的同时产生了卓越的伪影减少结果，并且优于其他 MAR 方法。使用过滤后的反向投影 (FBP) 从完整的正弦图重建减少伪影的 CT 图像。对模拟和真实伪影数据的大量实验表明，我们的方法在保留解剖结构的同时产生了卓越的伪影减少结果，并且优于其他 MAR 方法。使用过滤后的反向投影 (FBP) 从完整的正弦图重建减少伪影的 CT 图像。对模拟和真实伪影数据的大量实验表明，我们的方法在保留解剖结构的同时产生了卓越的伪影减少结果，并且优于其他 MAR 方法。