[論文レビュー] Comparison of projection domain, image domain, and comprehensive deep learning for sparse-view X-ray CT image reconstruction

Kaichao Liang, Hongkai Yang+1 more|arXiv (Cornell University)|Apr 12, 2018

Medical Imaging Techniques and Applications参考文献 21被引用数 21

ひとこと要約

本研究では、スパースビューX線CT再構成におけるディーブラーニング手法を、プロジェクションドメイン、イメージドメイン、および包括的なハイブリッドネットワークと比較した。両ドメインでの学習を組み合わせることで、アーチファクトが低減され、画像品質が向上することを示した。包括的ネットワークは、72ビュー再構成において最低のRRMSE（0.0474）と最高のSSIM（0.9978）を達成し、FBPおよび単一ドメイン手法を顕著に上回った。

ABSTRACT

X-ray Computed Tomography (CT) imaging has been widely used in clinical diagnosis, non-destructive examination, and public safety inspection. Sparse-view (sparse view) CT has great potential in radiation dose reduction and scan acceleration. However, sparse view CT data is insufficient and traditional reconstruction results in severe streaking artifacts. In this work, based on deep learning, we compared image reconstruction performance for sparse view CT reconstruction with projection domain network, image domain network, and comprehensive network combining projection and image domains. Our study is executed with numerical simulated projection of CT images from real scans. Results demonstrated deep learning networks can effectively reconstruct rich high frequency structural information without streaking artefact commonly seen in sparse view CT. A comprehensive network combining deep learning in both projection domain and image domain can get best results.

研究の動機と目的

• スパースビューX線CTにおける、プロジェクションドメイン、イメージドメイン、および包括的ハイブリッドドメインのディーブラーニングベースの再構成手法の性能を評価・比較すること。
• プロジェクションドメインとイメージドメインの両方でディーブラーニングを統合することで、単一ドメイン手法と比較して再構成品質が向上するかどうかを調査すること。
• ディープラーニングフレームワーク内に微分可能な層としてアナリティカルなFBPを組み込んだエンドツーエンド学習の有効性を評価すること。
• ディーブラーニングを用いたストリークアーチファクトの低減と、構造的類似性および再構成精度の向上を定量的に評価すること。
• 実際のアーチファクトを再現するフォントムと定量的指標を用いて、将来のディーブラーニングベースCT再構成手法のベンチマークを提供すること。

提案手法

• スパースビューデータから欠落したプロジェクションを推定するため、Res-CNNアーキテクチャに基づくプロジェクションドメインネットワークを提案した。
• スパースデータからのFBP再構成画像のアーチファクトを補正するため、U-Netアーキテクチャを用いたイメージドメインネットワークを設計した。
• プロジェクション推定とイメージドメインノイズ除去を統合した包括的ネットワークを開発し、FBPを微分可能な層として埋め込んだ。
• プロジェクションからイメージへの変換を経路として、エンドツーエンドバックプロパゲーションを可能にするために、アナリティカルなFBPを微分可能な層として使用した。
• 再構成画像のL2損失を用いてネットワークを学習し、システム行列およびFBP演算子を介して勾配をバックプロパゲーションした。
• 45および72ビューの異なるビュースパarsityを想定した、実際の胸部CTフォントムからの数値シミュレーションを用いて、RRMSEおよびSSIMで性能を評価した。

実験結果

リサーチクエスチョン

• RQ1 スパースビューCTにおいて、プロジェクションドメインでのディーブラーニングとイメージドメインでのディーブラーニングのどちらが、アーチファクト低減および画像品質向上に優れているか？
• RQ2 プロジェクションドメインとイメージドメインの両方でディーブラーニングを統合することで、単独で使用する場合と比較して、より優れた再構成性能が得られるか？
• RQ3 微分可能なFBP層を組み込んだエンドツーエンド学習が、全体の再構成精度および安定性に与える影響は何か？
• RQ4 高スパarsity（例：45ビュー）下で、RRMSEおよびSSIM指標は異なる再構成戦略においてどのように変化するか？
• RQ5 包括的ネットワークは、単一ドメイン手法と比較して、多様な解剖的構造に対して優れたロバスト性と一貫性を示すか？

主な発見

• プロジェクションドメインとイメージドメインの両方での学習を統合した包括的ネットワークは、72ビュー再構成においてRRMSEが0.0474で最低、SSIMが0.9978で最高を記録した。
• 45ビューの場合、包括的ネットワークはRRMSEが0.0677、SSIMが0.9962を達成し、FBP（RRMSE：0.2667）および他のディーブラーニングベースラインを顕著に上回った。
• すべてのディーブラーニング手法が、スパースデータからのFBP再構成で一般的に見られるストリークアーチファクトを効果的に抑制した。
• 包括的ネットワークは、テストセット全体でRRMSEおよびSSIMの標準偏差が最小であり、優れた安定性を示した。
• イメージドメインのU-Netとプロジェクションドメインの推定ネットワークの両方がFBPを上回ったが、ハイブリッドアプローチが最も一貫性があり正確な結果をもたらした。
• FBPを微分可能な層として統合することで、ドメイン間を横断した効果的なバックプロパゲーションと特徴学習の向上が実現した。