[論文レビュー] A deep network for sinogram and CT image reconstruction

Wei Wang, Xiang‐Gen Xia+5 more|arXiv (Cornell University)|Jan 20, 2020

Medical Imaging Techniques and Applications参考文献 24被引用数 8

ひとこと要約

本論文は、微分可能フィルターバックプロジェクション（FBP）層を介して接続された2段階のカスケードネットワークを用いて、CT画像の再構成とシンポグラムのノイズ除去／アップサンプリングを同時に実行するエンドツーエンドのディープラーニングフレームワークを提案する。本手法は、ラベル付きのシンポグラムとCT画像のペアを活用することで、低角度でノイズの多いシンポグラムデータにおいて、最高の平均PSNR（34.39 dB）とSSIM（0.918）を達成し、最先端の手法を上回る性能を発揮した。

ABSTRACT

A CT image can be well reconstructed when the sampling rate of the sinogram satisfies the Nyquist criteria and the sampled signal is noise-free. However, in practice, the sinogram is usually contaminated by noise, which degrades the quality of a reconstructed CT image. In this paper, we design a deep network for sinogram and CT image reconstruction. The network consists of two cascaded blocks that are linked by a filter backprojection (FBP) layer, where the former block is responsible for denoising and completing the sinograms while the latter is used to removing the noise and artifacts of the CT images. Experimental results show that the reconstructed CT images by our methods have the highest PSNR and SSIM in average compared to state of the art methods.

研究の動機と目的

• 低線量CT再構成における課題に取り組むこと。ノイズが多く、アンダーサンプリングされたシンポグラムは画像品質を著しく低下させる。
• シンポグラムの再構成と強化を同時に実行するエンドツーエンドのディープラーニングフレームワークを開発すること。
• トレーニング中にラベル付きのシンポグラムとCT画像ペアを統合することで、画像品質を向上させること。
• FBP操作の非微分可能性を克服するための新しい勾配計算手法を開発すること。

提案手法

• ネットワークは2つのカスケードされたブロックで構成される。最初のブロックはシンポグラムのノイズ除去とアップサンプリングを実行し、2番目のブロックは再構成されたCT画像を精緻化する。
• ブロック間は、シンポグラムをCT画像に変換するフィルターバックプロジェクション（FBP）層で接続され、勾配はスパース行列乗算を用いて逆伝播される。
• カスタム損失関数は、最終的なCT画像の再構成損失と中間のシンポグラムのノイズ除去損失を、ハイパーパrameter λ で重み付けして組み合わせる。
• 低角度でノイズの多いシンポグラムとそれに対応する高品質なCT画像のペアを用いて、エンドツーエンドでネットワークをトレーニングする。
• 最初のブロックは、畳み込み層とデコンボリューション層を備えた残差U-Netに類似したアーキテクチャを採用し、シンポグラムの再構成とノイズ除去を実行する。
• スパース行列乗算による勾配計算により、FBP層を微分可能にし、再構成プロセス全体に逆伝播を可能にする。

実験結果

リサーチクエスチョン

• RQ1 既存の手法よりも、深層学習モデルが高品質なCT画像の再構成と低線量シンポグラムのノイズ除去／アップサンプリングを同時に効果的に行えるか？
• RQ2 トレーニング中にラベル付きのシンポグラムデータを統合することで、CT画像再構成の性能にどのような影響を与えるか？
• RQ3 2段階のディープラーニングフレームワークにおいて、シンポグラムのノイズ除去と最終的CT画像再構成の最適なトレードオフは何か？
• RQ4 損失重みパrameter λ の選択が、2段階ネットワークの性能に与える影響は何か？

主な発見

• 90度のシンポグラムを用いたテストデータにおいて、本手法はFBP、Red-CNN、DD-Net、FBP-Convを上回り、最高の平均PSNR（34.39 dB）とSSIM（0.918）を達成した。
• 180度のシンポグラムでは、λ=0.1の条件下でシンポグラムのPSNRが56.12 dB、CT画像のPSNRが36.33 dBに達し、優れたノイズ除去と再構成能力を示した。
• 90度のデータにおいてλ=0.5のネットワークが、CT画像全体の品質が最も良くなった。これは、シンポグラムと画像レベルの最適化のバランスが取れていることを示唆している。
• 絶対差分画像から、本手法がベースライン手法と比較してより多くの解剖学的詳細を保持し、アーチファクトを低減していることが明らかになった。
• アブレーションスタディにより、ネットワークの性能がλに敏感であることが確認され、90度再構成においてλ=0.5が最適なバランスを提供することが分かった。
• ラベル付きのシンポグラムとCT画像ペアの使用により、再構成品質が顕著に向上した。これは、マルチレベルの監視の利点を示している。