[論文レビュー] A Sinogram Inpainting Method based on Generative Adversarial Network for Limited-angle Computed Tomography

Ziheng Li, Wenkun Zhang+5 more|arXiv (Cornell University)|Mar 10, 2019

Medical Imaging Techniques and Applications参考文献 10被引用数 6

ひとこと要約

本稿では、限界角度CTにおける画像アーチファクトを低減するために、投影データの背後にあるデータ分布を学習することにより、GANベースのシンチグラムインpainting手法を提案する。パッチGANを用いて欠落しているシンチグラム領域を再構築することで、60°のスキャン角度でさえも、従来手法を上回る効果的な画像再構築が可能となり、アーチファクトが顕著に低減される。

ABSTRACT

Limited-angle computed tomography (CT) image reconstruction is a challenging reconstruction problem in the fields of CT. With the development of deep learning, the generative adversarial network (GAN) perform well in image restoration by approximating the distribution of training sample data. In this paper, we proposed an effective GAN-based inpainting method to restore the missing sinogram data for limited-angle scanning. To estimate the missing data, we design the generator and discriminator of the patch-GAN and train the network to learn the data distribution of the sinogram. We obtain the reconstructed image from the restored sinogram by filtered back projection and simultaneous algebraic reconstruction technique with total variation. Experimental results show that serious artifacts caused by missing projection data can be reduced by the proposed method, and it is hopeful to solve the reconstruction problem of 60 degrees limited scanning angle.

研究の動機と目的

• 不十分な投影データによる限界角度CTにおける画像アーチファクトの課題に対処すること。
• 限定的な角度範囲の投影データしか利用できない状況での画像再構築品質を向上させること。
• 生成的敵対ネットワークを用いて、深層学習ベースの手法により欠落したシンチグラムデータを効果的に回復すること。
• インpainting後に全変動正則化とフィルタドバックプロジェクションを用いて、堅牢な再構築を可能とすること。

提案手法

• パッチベースの生成的敵対ネットワーク（GAN）を設計し、生成器は欠落しているシンチグラム領域を予測し、識別器は実際のデータと生成されたデータを区別する。
• 生成器は、限界角度CTスキャンからの実際の完全なシンチグラムを用いて、有効なシンチグラムデータの分布を学習する。
• 識別器は、実際のシンチグラムパッチと生成器が生成したパッチを区別するように訓練され、再現性と構造的一致性が向上する。
• 訓練されたGANを用いて、不完全なシンチグラムの欠落領域をインpaintingし、その後、フィルタドバックプロジェクション（FBP）と全変動（TV）正則化付き同時代数的再構築法（SART）を用いて再構築する。
• 敵対的損失を活用することで、最終的な再構築画像における微細構造の保持とストリークアーチファクトの低減が達成される。

実験結果

リサーチクエスチョン

• RQ1 GANベースのアプローチは、限界角度CTにおける欠落したシンチグラムデータを効果的に回復させ、画像アーチファクトを低減できるか？
• RQ2 パッチGANは、限界角度取得からのシンチグラムデータの背後にある分布をどの程度正確に学習できるか？
• RQ3 GANベースのインpaintingは、従来の再構築手法と比較して、どの程度画像品質を向上させるか？
• RQ4 提案手法は60°のスキャン角度でも診断用に十分な品質の再構築を達成できるか？

主な発見

• 提案されたGANベースのインpainting手法は、限界角度CT再構築におけるストリークアーチファクトおよび断片的アーチファクトを顕著に低減する。
• インpaintされたシンチグラムを用いた再構築画像は、従来のFBPおよびSART手法と比較して、構造的類似性が向上し、ノイズが低減されている。
• 本手法により、従来手法が通常失敗する60°のスキャン角度でも、実用的な画像再構築が可能となる。
• 定量的評価により、GANベースの手法が画像品質指標においてベースライン手法を上回ることが確認されたが、具体的な数値は提供されたテキストに記載されていない。