Filtered backprojection combined with deep learning-based sinogram denoising for improved industrial CT reconstruction

Abstract

A Tomografia Computadorizada de Raios X (xCT) evoluiu como um instrumento-chave em Ensaios Não Destrutivos (NDT) para inspeção interna de materiais, componentes e conjuntos sem danificá-los, onde produz reconstruções 3D de alta precisão a partir de projeções de raios X 2D. Esta monografia apresenta o desenvolvimento de duas soluções de reconstrução para sistemas xCT industriais de acordo com o procedimento de Retroprojeção Filtrada (FBP), ambas implementadas aplicando o algoritmo Feldkamp-Davis-Kress (FDK) modificado para geometria cone-beam e executadas empregando a biblioteca ASTRA Toolbox, acelerada por GPU. A primeira solução utiliza o filtro Ram-Lak (Ramp) tradicional na etapa de filtragem, fornecendo uma solução analítica como ponto de partida. A segunda solução, de natureza híbrida, combina um processo de redução de ruído baseado em aprendizado profundo (Deep Learning - DL) usando uma arquitetura de redução de ruído de rede neural convolucional (CNN) baseada no tipo U-Net, conhecida como rede Noise2Noise, na etapa de filtragem do processo de reconstrução. A rede foi treinada do zero em pares de sinogramas ruidosos - representações 2D de todas as imagens de projeção em diferentes ângulos em uma única estrutura - e com base no comportamento estatístico do ruído de média zero para melhorar o desempenho de redução de ruído sem a necessidade de alvos limpos. Em seguida, ambas as soluções propostas foram comparadas com métodos de filtragem clássicos e contrastadas com o software atualmente usado pelo instituto chamado WinWerth, mostrando diferenças na qualidade das reconstruções. Os valores foram avaliados com as métricas Peak Signal-to-Noise Ratio (PSNR), Structural Similarity Index Measure (SSIM) e Contrast-to-Noise Ratio (CNR). Os resultados da solução DL mostraram fidelidade aprimorada nos volumes reconstruídos com alto desempenho computacional e foram adequados para aplicações industriais envolvendo inspeções xCT de alta velocidade e precisão.

X-ray Computed Tomography (xCT) has evolved as a key instrument in Non-Destructive Testing (NDT) for internal inspection of materials, components, and assemblies without damaging them, where it produces high-precision 3D reconstructions from 2D X-ray projections. This thesis presents the development of two reconstruction solutions for industrial xCT systems according to the Filtered Back Projection (FBP) procedure, both implemented by applying the Feldkamp-Davis-Kress (FDK) algorithm modified for cone-beam geometry and run by employing the GPU-accelerated ASTRA Toolbox. The first solution utilizes the traditional Ram-Lak filter in the filtering step, providing an analytical baseline solution with performance optimization. The second solution, with a hybrid nature, combines a deep learning-based (DL) denoising process using a U-Net-type convolutional neural network (CNN) denoising architecture known as the Noise2Noise network into the filtering step of the reconstruction process. The network was trained from scratch on noisy sinogram pairs - 2D representations of all the projection images at different angles in a single structure - and based on the statistical behavior of the zero-mean noise to enhance the denoising performance without needing clean targets. Then, both proposed solutions were benchmarked against classical filtering methods and contrasted with the currently used software by the institute called WinWerth, showing differences in the quality of reconstructions. The values were evaluated with the metrics Peak Signal-to-Noise Ratio (PSNR), Structural Similarity Index Measure (SSIM), and Contrast-to-Noise Ratio (CNR). The results of the DL solution showed enhanced fidelity in the reconstructed volumes with high computational performance and were suitable for industry applications involving high-speed and precise xCT inspections.