Image Restoration by Inpainting Methods Applied to CT Reconstruction

Abstract

Digital inpainting es el arte de llenar partes perdidas o deterioradas de imágenes o videos en una forma que no es perceptible por un observador ordinario. Artefacto es cualquier error en la representación de la información introducida por el equipo o técnica involucrada. La reducción de artefactos se considera un tema crítico en la investigación y desarrollo de rayos X CT. Nuestro enfoque es obtener una reducción de artefacto de metal (MAR), mediante la comparación de 2D inpainting resultados en el dominio de la proyección y sinogram. Nuestras imágenes CT provienen de CIVA (simulación), SkyScan2011, PerkinElmer (experimental). En primer lugar, probamos ocho algoritmos de inpainting: Variación Total (TV), Curvature Driven Diffusion (CDD), Mean Curvature Diffusion (MCD), Euler's Elastica, Morphologic Rotation Invariant (MRI), Fast Marching Method (FMM), Anisotropic Diffusion-Based (AdB) y Exemplar-Based (ExB). Luego validamos nuestros resultados utilizando el error cuadrático medio (MSE), la relación pico de señal a ruido (PSNR) y el Índice de Similitud Estructural Multi-Escala (MS-SSIM). Los resultados se compararon entre ellos considerando: el tiempo y las tres evaluaciones de calidad de imagen mencionadas. Finalmente, nuestros experimentos demostraron que nuestros dos mejores resultados de calidad MAR fueron obtenidos por CDD y ExB, para nuestras imágenes experimentales en el dominio de proyección. Los resultados en el dominio del sinograma fueron solo cualitativos.

Digital inpainting is the art of filling in lost or deteriorated parts of images or videos in a form that is not noticeable by an ordinary observer. Artifact is any error in the information representation introduced by the involved equipment or technique. Artifact Reduction, is considered a critical topic in x-ray CT research and development. Our approach is to get a metal artifact reduction (MAR), by comparing 2D inpainting results in the projection and sinogram domains. Our CT images came from: CIVA (simulation), SkyScan2011, PerkinElmer (experimental). First, we tested eight inpainting algorithms: Total Variation (TV), Curvature Driven Diffusion (CDD), Mean Curvature Diffusion (MCD), Euler’s Elastica, Morphologic Rotation Invariant (MRI), Fast Marching Method (FMM), Anisotropic Diffusion-Based (AdB) and Exemplar-Based (ExB). Then, we validated our results using mean squared error (MSE), peak signal-to-noise ratio (PSNR) and Multi-Scale Structural Similarity Index (MS-SSIM). Results were compared among them considering: time and the three image quality assessments mentioned. Finally, our experiments demonstrated that our two best MAR quality results were achieved by CDD and ExB, for our experimental images in the projection domain. The results in the sinogram domain were only qualitative.