[論文レビュー] Can Deep Learning Outperform Modern Commercial CT Image Reconstruction Methods?

Hongming Shan, Atul Padole+6 more|arXiv (Cornell University)|Nov 8, 2018

Medical Imaging Techniques and Applications参考文献 1被引用数 71

ひとこと要約

本論文は、低線量CTのためのプログレッシブ深層学習デノイズネットワーク（MAP-NN）を提案し、ベンダー間・地域間の商用反復再構成法と競合し、より高速な性能と放射線科医をループに組み込んだ最適化を提供します。

ABSTRACT

Commercial iterative reconstruction techniques on modern CT scanners target radiation dose reduction but there are lingering concerns over their impact on image appearance and low contrast detectability. Recently, machine learning, especially deep learning, has been actively investigated for CT. Here we design a novel neural network architecture for low-dose CT (LDCT) and compare it with commercial iterative reconstruction methods used for standard of care CT. While popular neural networks are trained for end-to-end mapping, driven by big data, our novel neural network is intended for end-to-process mapping so that intermediate image targets are obtained with the associated search gradients along which the final image targets are gradually reached. This learned dynamic process allows to include radiologists in the training loop to optimize the LDCT denoising workflow in a task-specific fashion with the denoising depth as a key parameter. Our progressive denoising network was trained with the Mayo LDCT Challenge Dataset, and tested on images of the chest and abdominal regions scanned on the CT scanners made by three leading CT vendors. The best deep learning based reconstructions are systematically compared to the best iterative reconstructions in a double-blinded reader study. It is found that our deep learning approach performs either comparably or favorably in terms of noise suppression and structural fidelity, and runs orders of magnitude faster than the commercial iterative CT reconstruction algorithms.

研究の動機と目的

• 低線量CTの画像品質を改善しつつ被ばくを低減するために深層学習の活用を動機づける。
• 訓練ループに放射線科医を組み込んだプログレッシブデノイジングネットワークを導入する。
• MAP-NNアプローチを胸部・腹部を対象に、3社の商用反復再構成法と比較する。

提案手法

• LDCTデノイジングのためのCLONEモジュールから構築されたモジュラー式プログレッシブデノイジングネットワークMAP-NNを提案する。
• 敵対的損失、平均二乗誤差、エッジの非一貫性を組み合わせた損失関数でMAP-NNを訓練する。
• CLONEモジュール間でパラメータを共有し、マッピング深度（デノイジングステップ数）を評価する。
• 放射線科医のブラインド読影研究を用いて、DL再構成をベンダーIR法と比較評価する。
• LDCT入力を用い、NDCT参照と比較して構造忠実度とノイズ抑制を評価する。

実験結果

リサーチクエスチョン

• RQ1 MAP-NNのプログレッシブデノイジング手法は、LDCTに対して商用IR法と同等以上の構造忠実度を達成できるか。
• RQ2 複数のCTベンダーと体部領域にわたり、構造忠実度を維持しつつノイズ抑制を向上させるMAP-NNを提供するか。
• RQ3 訓練後、DL手法はIR法より計算効率が高いか。
• RQ4 ループに放射線科医を組み込むことは、タスク固有の画像品質最適化を改善するか。

主な発見

• MAP-NNはベンダーA、B、Cを跨いで、商用IR法と比較して同等またはそれ以上の構造忠実度とノイズ抑制を達成する。
• DL再構成は腹部および胸部の画像診断において、放射線科医による評価でDL再構成がIR再構成より良いまたは同等と評価されるケースが大半である。
• MAP-NNは訓練後、IR法より著しく高速な実行時間を示す（マッピング深度あたり約100スライス/秒）。
• 腹部画像ではベンダーAおよびBにおいて最良のDL再構成が最良のIR再構成より好まれ、ベンダーCでは同等、胸部ではほとんどのケースでDLが同等または優れている。
• DLアプローチはベンダー非依存の画像外観を提供し、大規模な放射線計測学（ radiomics）研究を支援する可能性がある。