[論文レビュー] A deep learning approach for virtual monochromatic spectral CT imaging with a standard single energy CT scanner

Wei Zhao, Tianling Lyu+2 more|arXiv (Cornell University)|May 20, 2020

Advanced X-ray and CT Imaging参考文献 38被引用数 4

ひとこと要約

本論文は、高価なデュアルエナジーCT（DECT）スキャナを必要とせず、標準的なシングルエナジーCT（SECT）スキャンから高品質な仮想モノクローマティックCT（VMCT）画像を生成するためのディープラーニング（DL）手法を提案する。低エネルギーSECTスキャンから高エネルギーCT画像を予測する残差ネットワークを訓練することで、従来のDECTベースのVMCTと比較して最大68％のノイズ低減と55％のヨウ素コントラスト対ノイズ比（CNR）向上を達成し、40 keVで最適なCNRを実現した。

ABSTRACT

Purpose/Objectives: To develop and assess a strategy of using deep learning (DL) to generate virtual monochromatic CT (VMCT) images from a single-energy CT (SECT) scan. Materials/Methods: The proposed data-driven VMCT imaging consists of two steps: (i) using a supervised DL model trained with a large number of 100 kV and 140 kV dual-energy CT (DECT) image pairs to produce the corresponding high-energy CT image from a low-energy image; and (ii) reconstructing VMCT images with energy ranging from 40 to 150 keV. To evaluate the performance of the method, we retrospectively studied 6,767 abdominal DECT images. The VMCT images reconstructed using both DL-derived DECT (DL-DECT) images and the images from DECT scanner were compared quantitatively. Paired-sample t-tests were used for statistical analysis to show the consistency and precision of calculated HU values. Results: Excellent agreement was found between the DL-DECT and the ground truth DECT images (p values ranged from 0.50 to 0.95). Noise reduction up to 68% (from 163 HU to 51 HU) was achieved for DL-based VMCT imaging as compared to that obtained by using the standard DECT. For the DL-based VMCT, the maximum iodine contrast-to-noise ratio (CNR) for each patient (ranging from 15.1 to 16.6) was achieved at 40 keV. In addition to the enormous benefit of VMCT acquisition with merely a SECT image, an improvement of CNR as high as 55% (from 10.7 to 16.6) was attained with the proposed approach. Conclusions: This study demonstrates that high-quality VMCT images can be obtained with only a SECT scan.

研究の動機と目的

• 標準的なシングルエナジーCT（SECT）スキャナのみを用いて仮想モノクローマティックCT（VMCT）画像を生成する手法を開発すること。これにより、高価なデュアルエナジーCT（DECT）スキャナの必要性を排除する。
• ノイズ低減とコントラスト対ノイズ比（CNR）の向上を通じて、VMCTの画像品質を向上させること。特にヨウ素コントラストが最大となる低エネルギー帯で重点を置く。
• ディープラーニングベースの画像合成により、既存のSECTハードウェア上でVMCTを広く臨床応用可能にする。
• Ground truth DECTと比較して、DL由来のVMCT画像におけるHounsfield単位（HU）値の正確性と一貫性を検証すること。

提案手法

• ペアド100 kVおよび140 kVのデュアルエナジーCT（DECT）画像ペアを用いて、教師ありディープラーニングモデルを訓練し、低エネルギー100 kV SECT画像から高エネルギー140 kV画像を予測する。
• モデルはデュアルエナジー残差マッピングネットワークを採用し、予測された高エネルギー画像と入力低エネルギー画像の差分（残差画像）を出力し、これを入力に加算することで高エネルギー画像を再構築する。
• 入力100 kV SECT画像のノイズ低減を向上させるために、完全畳み込みネットワーク（FCN）を用い、残差ネットワークへの入力を最適化する。
• DL予測DECT画像を用いて、40–150 keVの範囲で仮想モノクローマティック画像を再構築し、エネルギー特化型イメージングと最適化されたコントラストを実現する。
• 低エネルギーおよび高エネルギー画像間の強いノイズ相関を活用することで、ノイズのテクスチャを保持し、VMCT再構築全体のノイズ低減を実現する。
• 対応したt検定による統計的妥当性評価により、DL由来画像とground truth DECT画像との間でHU値の一貫性が確認された。

実験結果

リサーチクエスチョン

• RQ1 ディープラーニングを用いて、DECTスキャナが不要な状態で、低エネルギーSECTスキャンから高エネルギーCT画像を正確に予測し、仮想モノクローマティックCTを実現できるか？
• RQ2 従来のDECTベースのVMCTと比較して、DLベースのVMCTアプローチがノイズ低減およびコントラスト対ノイズ比（CNR）の観点で優れた画像品質を達成できるか？
• RQ3 DLベースのVMCTにおいて、最大のヨウ素CNRがどのエネルギー帯で達成されるか、また従来のDECTベースのVMCTと比較してどう異なるか？
• RQ4 異なる患者の解剖的構造において、DL由来VMCT画像のHounsfield単位（HU）値は、ground truth DECT画像とどれほど一貫しているか？
• RQ5 DL予測DECT画像は、物質分解や仮想非対照画像生成などの他のDECT応用分野でも効果的に利用可能か？

主な発見

• DLベースの手法は、ground truth DECT画像と優れた一致を示し、対応したt検定のp値は0.50～0.95の範囲にあり、HU値の一貫性が高いことが示された。
• 低エネルギーおよび高エネルギー画像間のノイズ相関を保持したことで、DLベースのVMCTでは、従来のDECTベースのVMCTと比較して最大68％（163 HUから51 HU）のノイズ低減が達成された。
• 全患者における最大ヨウ素CNRは16.6で、40 keVで達成され、従来手法の最大値10.7と比較して55％高い。
• 従来のVMCTでは最大CNRが80–85 keVにあったのに対し、DLベースの手法では40 keVにシフトし、低コントラスト病変の可視性が向上した。
• DL予測高エネルギー画像には非線形マッピングの挙動が見られ、入力HU値が類似していても、腎臓や骨髄などの解剖的構造間でHU値に差が生じた。
• 本手法により、標準的なSECTスキャナ上でも高品質なVMCTイメージングが可能となり、病変検出、金属アーチファクト低減、仮想非対照画像生成などの分野での広範な臨床的応用が期待できる。