[論文レビュー] A Deep learning Approach to Generate Contrast-Enhanced Computerised Tomography Angiography without the Use of Intravenous Contrast Agents

Anirudh Chandrashekar, Ashok Handa+4 more|arXiv (Cornell University)|Mar 2, 2020

Advanced X-ray and CT Imaging被引用数 4

ひとこと要約

本研究では、静脈内造影剤を用いずに、非造影CTスキャンから対比強調CTアンジオグラフィー（CTA）画像を生成するためのディープラーニング手法を提案する。この手法は、非造影データに内在するHounsfield単位（HU）の違いを活用して、血液、血栓、血管壁組織を的確に区別し、高視覚的忠実度で真の造影強調スキャンに類似したCTA風の画像を生成する。

ABSTRACT

Contrast-enhanced computed tomography angiograms (CTAs) are widely used in cardiovascular imaging to obtain a non-invasive view of arterial structures. However, contrast agents are associated with complications at the injection site as well as renal toxicity leading to contrast-induced nephropathy (CIN) and renal failure. We hypothesised that the raw data acquired from a non-contrast CT contains sufficient information to differentiate blood and other soft tissue components. We utilised deep learning methods to define the subtleties between soft tissue components in order to simulate contrast enhanced CTAs without contrast agents. Twenty-six patients with paired non-contrast and CTA images were randomly selected from an approved clinical study. Non-contrast axial slices within the AAA from 10 patients (n = 100) were sampled for the underlying Hounsfield unit (HU) distribution at the lumen, intra-luminal thrombus and interface locations. Sampling of HUs in these regions revealed significant differences between all regions (p<0.001 for all comparisons), confirming the intrinsic differences in the radiomic signatures between these regions. To generate a large training dataset, paired axial slices from the training set (n=13) were augmented to produce a total of 23,551 2-D images. We trained a 2-D Cycle Generative Adversarial Network (cycleGAN) for this non-contrast to contrast (NC2C) transformation task. The accuracy of the cycleGAN output was assessed by comparison to the contrast image. This pipeline is able to differentiate between visually incoherent soft tissue regions in non-contrast CT images. The CTAs generated from the non-contrast images bear strong resemblance to the ground truth. Here we describe a novel application of Generative Adversarial Network for CT image processing. This is poised to disrupt clinical pathways requiring contrast enhanced CT imaging.

研究の動機と目的

• 静脈内造影剤を用いずに診断用の品質を有する対比強調CTアンジオグラフィー（CTA）を生成する手法を開発すること。
• ヨウ化造影剤に起因する対比性腎症の制限および患者の不快感を克服すること。
• 非造影CTデータに内在する放射線的特徴（radiomic）の違いを活用して、造影強調を模倣すること。
• 過去の非造影CTスキャンを後向きに分析し、血管形態および動脈瘤進行のモデリングを可能にすること。
• この手法を大動脈以外の血管および軟部組織にも応用可能かどうかを検討すること。

提案手法

• 2次元のサイクル生成対抗ネットワーク（CycleGAN）を用いて、非造影から対比強調（NC2C）への画像変換を学習した。
• 13例の患者から得られた非造影および造影強調CTの軸断層画像を学習データとして使用し、データ拡張により23,551枚の画像に増強した。
• ルーメン、血管内血栓（ILT）、界面領域におけるHounsfield単位（HU）分布を分析した結果、統計的に有意な差異が認められた（p < 0.001）。
• 生成器ネットワークは、非造影画像内のHUパターンを対応する造影強調特徴にマッピングすることで、造影強調された外観を合成した。
• 識別器ネットワークは、本物の造影強調画像と生成画像を区別するように学習させ、出力の現実性を保証した。
• 視覚的および構造的類似性を比較することで、生成されたCTA画像と真の造影強調スキャンとの評価を実施した。

実験結果

リサーチクエスチョン

• RQ1 ディープラーニング手法は、非造影CTデータのみを用いて、CTアンジオグラフィーにおける造影強調を正確に模倣できるか？
• RQ2 非造影CTスキャンにおける内在的Hounsfield単位（HU）の違いは、血液、血栓、血管壁成分を区別するのに十分な情報を提供するか？
• RQ3 ペアデータが不要なサイクルGANベースの手法が、診断的に有用なCTA風の画像を生成できるか？
• RQ4 この手法は、小動脈（例：腎動脈）や複雑な界面（血液-血栓境界）などの解剖学的詳細をどの程度保持できるか？
• RQ5 この手法は、大動脈を越えて他の血管および軟部組織構造に対しても拡張可能か？

主な発見

• ルーメン、血管内血栓（ILT）、界面領域間で顕著なHounsfield単位（HU）差異が認められ、統計的に有意であった（すべての比較でp < 0.001）。これにより、内在的な放射線的特徴による区別が確認された。
• サイクルGANモデルは、非造影CTスキャンから真の造影強調スキャンに類似した強度の高い視覚的類似性を持つCTA風の画像を効果的に生成した。
• モデルは、非造影スキャンにおいて視覚的に不整合な軟部組織領域（血液、血栓、血管壁）を明確に区別する能力を示した。
• 生成画像は、腎動脈や椎骨動脈などの細かい動脈枝などの微細な解剖学的詳細を保持していた。
• 本手法により、過去の非造影CTスキャンを再利用し、腹部大動脈瘤の3次元幾何学的および体積的モデリングを含む高度な血管形態解析が可能になる可能性がある。
• 本手法により、静脈内造影剤への依存度が低下し、対比性腎症および注射関連合併症のリスクが軽減される可能性がある。