[論文レビュー] AAPM DL-Sparse-View CT Challenge Submission Report: Designing an Iterative Network for Fanbeam-CT with Unknown Geometry

Martin Genzel, Jan Macdonald+1 more|arXiv (Cornell University)|Jun 1, 2021

Medical Imaging Techniques and Applications被引用数 5

ひとこと要約

本稿では、前方モデル（幾何学的構成）が未知である場合のスパarselyサンプルされたファンビームCT再構成のためのデータ駆動型反復的深層学習フレームワークを提案する。まず、勾配降下と自動微分を用いて、異なる可微分なシンチグラムフィッティングにより訓練データからファンビーム幾何学的構成を推定する。次に、事前学習済みUNetとフィルタドバックプロジェクションに基づくデータ整合性ステップを組み合わせた2段階のネットワークを採用し、RMSEが学習されたプリミティブ・デュアルアルゴリズムなどの最先端手法よりも1桁低い近似正確な再構成を達成する。

ABSTRACT

This report is dedicated to a short motivation and description of our contribution to the AAPM DL-Sparse-View CT Challenge (team name: "robust-and-stable"). The task is to recover breast model phantom images from limited view fanbeam measurements using data-driven reconstruction techniques. The challenge is distinctive in the sense that participants are provided with a collection of ground truth images and their noiseless, subsampled sinograms (as well as the associated limited view filtered backprojection images), but not with the actual forward model. Therefore, our approach first estimates the fanbeam geometry in a data-driven geometric calibration step. In a subsequent two-step procedure, we design an iterative end-to-end network that enables the computation of near-exact solutions.

研究の動機と目的

• 前方モデル（幾何学的構成）が未知である場合のスパarselyサンプルされたCT再構成の課題に対処すること。
• 限られた、部分的にサンプルされた測定値にもかかわらず、近似正確な画像回復を達成する手法を開発すること。
• 測定値の摂動に対して、深層学習ベースの再構成のロバスト性と安定性を確保すること。
• 可微分な幾何学的構成推定を通じて物理的モデリングを統合し、エンドツーエンドの学習を可能にすること。
• 特にRMSEの観点で、既存の最先端のデータ駆動型手法を上回る再構成精度を達成すること。

提案手法

• 勾配降下と自動微分を用いて、パラメータ化された可微分なファンビーム演算子をシンチグラム-画像ペアにフィットさせることで、未知のファンビーム幾何学的構成を推定する。
• 主な特徴抽出および再構成のボトムアップとして、事前学習済みUNetを用いる。
• 2段階の反復的ネットワークを実装：まずUNetによる処理を行い、次に随伴演算子の代わりにフィルタドバックプロジェクションを用いたデータ整合性ステップを実施する。
• フィルタドバックプロジェクションに基づくℓ²勾配に類似した更新ステップを適用し、データ整合性を強制する。
• 訓練データ分割に対して教師あり損失を用い、幾何学的構成と再構成を同時に最適化することで、ネットワーク全体をエンドツーエンドで学習する。
• 将来的な拡張として、シンチグラムの一貫性条件を用いた非教師あり幾何的キャリブレーションの検討を試みる。

実験結果

リサーチクエスチョン

• RQ1 未知のファンビーム幾何学的構成を、前方モデルの事前知識なしに、限られたシンチグラム-画像ペアからデータ駆動型アプローチで正確に推定できるか？
• RQ2 反復的ネットワークにおいて、標準の随伴演算子ベースの手法と比較して、フィルタドバックプロジェクションに基づくデータ整合性ステップが再構成精度を向上させるか？
• RQ3 事前学習済みUNetが、逆問題のための反復的深層学習フレームワークにおいて、バックボーンとして効果的に再利用可能か？
• RQ4 スパarselyサンプルされたCTにおいて、学習されたプリミティブ・デュアルアルゴリズムなどの最先端手法と比較して、本手法の再構成精度はどの程度か？
• RQ5 本フレームワークは測定値の摂動に対してロバストであるか？ノイズなしの状況においても近似正確な回復が達成されるか？

主な発見

• 著者らの内部バリデーション分割に基づく評価では、本手法はRMSEの観点で学習されたプリミティブ・デュアルアルゴリズムよりも1桁低い再構成誤差を達成している。
• データ駆動型幾何学的構成推定ステップは、可微分シンチグラムフィッティングを用いて、訓練データから元のファンビームパラメータを効果的に回復した。
• データ整合性ステップにおいてフィルタドバックプロジェクションを用いることで、標準の随伴演算子ベースの更新と比較して優れた性能が得られた。
• フレームワークは測定値の摂動に対して高い安定性を示し、深層学習ベースの再構成が信頼性とロバスト性を有することを裏付けた。
• ノイズなしデータにおいて、事前学習済みUNetバックボーンに反復的精錬を組み合わせることで、視覚的に完璧な再構成が達成され、正確な回復に近い結果が得られた。
• 本手法は、特にバリデーション分割におけるRMSEの最小化という観点で、スパarselyサンプルされたCT設定において、既存の最先端のデータ駆動型アプローチを上回った。