[論文レビュー] A Lightweight Structure Aimed to Utilize Spatial Correlation for Sparse-View CT Reconstruction

Yitong Liu, Ken Deng+2 more|arXiv (Cornell University)|Jan 19, 2021

Medical Imaging Techniques and Applications参考文献 71被引用数 5

ひとこと要約

本論文は、連続するCTスライス間の空間相関を活用して、高忠実度でスパarsely sampled CT画像を再構築する軽量で二領域にわたる深層学習フレームワーク（LS-AAE）を提案する。L-AAEによるラドン領域補間とLS-AAEによる画像領域のアーチファクト低減を組み合わせ、両者とも線形ボトルネックを備えた逆残差構造を用いることで、最先端の性能を達成し、4°のサンプリング間隔でPSNR 40.305、SSIM 0.948を達成する。極めてスパースな状況（16°間隔）でも同様の性能を発揮する。

ABSTRACT

Sparse-view computed tomography (CT) is known as a widely used approach to reduce radiation dose while accelerating imaging through lowered projection views and correlated calculations. However, its severe imaging noise and streaking artifacts turn out to be a major issue in the low dose protocol. In this paper, we propose a dual-domain deep learning-based method that breaks through the limitations of currently prevailing algorithms that merely process single image slices. Since the scanned object usually contains a high degree of spatial continuity, the obtained consecutive imaging slices embody rich information that is largely unexplored. Therefore, we establish a cascade model named LS-AAE which aims to tackle the above problem. In addition, in order to adapt to the social trend of lightweight medical care, our model adopts the inverted residual with linear bottleneck in the module design to make it mobile and lightweight (reduce model parameters to one-eighth of its original) without sacrificing its performance. In our experiments, sparse sampling is conducted at intervals of 4°, 8° and 16°, which appears to be a challenging sparsity that few scholars have attempted before. Nevertheless, our method still exhibits its robustness and achieves the state-of-the-art performance by reaching the PSNR of 40.305 and the SSIM of 0.948, while ensuring high model mobility. Particularly, it still exceeds other current methods when the sampling rate is one-fourth of them, thereby demonstrating its remarkable superiority.

研究の動機と目的

• 放射線被曝量を低減できるが、重度のストリークアーチファクトとノイズが生じるスパarsely sampled CTにおける課題を解決すること。
• 単一スライス手法を超える再構築品質を向上させるために、未利用に近い連続するCTスライス間の空間相関を活用すること。
• 最小限のパラメータ数（元のサイズの1/8に削減）で高い性能を維持できる、軽量でモバイル対応のモデルを開発すること。
• 16°のサンプリング間隔という極めてスパースな状況でも、強力な性能を発揮すること。
• 困難なスパarsely sampledデータにおいて、定量的指標（PSNR、SSIM）と視覚的品質の両面で、既存の最先端手法を上回ること。

提案手法

• 2段階のカスケードモデルを設計：L-AAEはラドン領域補間、LS-AAEは画像領域のアーチファクト低減に使用。
• L-AAEおよびLS-AAEの両方で、パラメータ数を著しく削減しながら性能を維持するため、線形ボトルネックを備えた逆残差構造を採用。
• 復元されたフルビューのラドンデータをFBPで処理し、2段階目のLS-AAEモデルの入力としての画像を生成。
• LS-AAEでは、連続するCTスライス間の3次元空間的近接情報を活用して、動きのモデリングを暗黙的に行い、アーチファクト除去を強化。
• ドメイン特化最適化を統合：L-AAEはラドン領域での構造的類似性を向上させ、LS-AAEは画像領域での歪み低減を実現。
• 両ドメインを統合して、ラドン領域の構造的忠実度と画像領域のテクスチャ正確性の相乗効果を活用。

実験結果

リサーチクエスチョン

• RQ1 連続するCTスライス間の空間相関を活用することで、単一スライス手法を上回るスパarsely sampled CT再構築が著しく向上するか？
• RQ2 逆残差構造に線形ボトルネックを組み合わせた軽量な深層学習モデルは、パラメータ数を87.5%削減しながらも最先端の性能を維持できるか？
• RQ3 極めてスパースな状況下で、ラドン＋画像の二領域再構築は単一ドメイン手法（ラドンのみ、画像のみ）と比較してPSNRおよびSSIMで優れた結果を示すか？
• RQ4 4°、8°、16°のサンプリング間隔において、提案手法は既存の最先端手法を上回るか？
• RQ5 スライス間の空間相関は、独立したスライス処理と比較して、アーチファクト低減にどの程度寄与するか？

主な発見

• 提案されたLS-AAEモデルは、4°のサンプリング間隔でPSNR 40.305、SSIM 0.948を達成し、FBP、SART-TV、U-Netを著しく上回る性能を発揮。
• 8°および16°のサンプリング間隔でも高い性能を維持し、PSNRはそれぞれ37.633および34.052、SSIMは0.937および0.910を記録。
• 二領域アプローチ（ラドン＋画像）は単一ドメイン手法よりも優れた結果を示し、PSNR 40.305（ラドンのみ：30.310、画像のみ：34.135）を達成。
• 逆残差構造に線形ボトルネックを組み合わせることで、モデルパラメータ数を元の1/8に削減し、性能損なわずモバイルデプロイメントを可能に。
• 極めてスパースな状況（16°間隔）でも、他の最先端手法を上回り、ロバストネスと一般化能力の高さを示す。
• アブレーションスタディの結果、空間相関は画像領域で最も効果的であり、ラドン空間ではテクスチャ類似度が限られるため、ラドン領域ではあまり寄与しない。