[論文レビュー] Conditional Normalizing Flows for Low-Dose Computed Tomography Image Reconstruction

Alexander Denker, Maximilian Schmidt+3 more|arXiv (Cornell University)|Jun 11, 2020

Medical Imaging Techniques and Applications参考文献 25被引用数 4

ひとこと要約

本稿では、ノイズの多い測定値から低線量CT画像を再構成するために、フィルタドバックプロジェクション（FBP）を条件付けとして統合したハイブリッド条件付きノーマライジングフローを提案する。MSE最小化の代わりにフローベースの密度推定を活用することで、SOTAクラスの構造的類似度（SSIM）を達成しながらも、競争力あるPSNRを維持し、明示的なMSE学習が行われていないにもかかわらず、深層学習ベースラインよりも優れた構造的忠実度を示している。

ABSTRACT

Image reconstruction from computed tomography (CT) measurement is a challenging statistical inverse problem since a high-dimensional conditional distribution needs to be estimated. Based on training data obtained from high-quality reconstructions, we aim to learn a conditional density of images from noisy low-dose CT measurements. To tackle this problem, we propose a hybrid conditional normalizing flow, which integrates the physical model by using the filtered back-projection as conditioner. We evaluate our approach on a low-dose CT benchmark and demonstrate superior performance in terms of structural similarity of our flow-based method compared to other deep learning based approaches.

研究の動機と目的

• 統計的逆問題フレームワークを用いて、ノイズの多い低線量測定値から高品質なCT画像を再構成する課題に対処する。
• CT再構成における複雑で非i.i.d.なノイズおよびアーチファクト構造を捉えられないMSEベースの深層学習手法の限界を克服する。
• フローベースの生成的モデリングを用いて、低線量CTの高次元の事後分布 $ p(x|y^\delta) $ をモデル化する条件付き密度推定器を開発する。
• CT前方モデル（FBP経由）からの物理的知識を条件付け機構に統合し、サンプル品質と一般化性能を向上させる。
• フローベースの尤度最適化が、MSEベースの学習に比べて構造的保存性が優れていることを示す。特にSSIM指標において顕著である。

提案手法

• 可逆ニューラルネットワークとカップリング層を用いて、事後分布 $ p(x|y^\delta) $ をモデル化する条件付きノーマライジングフロー（cNF）を提案する。
• 物理的整合性を向上させるとともに分布の複雑さを軽減するため、低線量測定値のフィルタドバックプロジェクション（FBP）を条件入力として用いる。
• 6層のカップリング層を1スケールごとに持ち、ハールベースのダウンサンプリングと可逆1x1畳み込みを用いた特徴の入れ替えを実装したマルチスケールRealNVPに類似したアーキテクチャを採用する。
• 低線量測定値を入力とした真値画像の対数尤度を最大にするように、エンドツーエンドでモデルを学習する。
• 共有エンコーダーネットワークを介してFBP出力を条件付けにし、FBP再構成に対する残差補正を学習可能にする。
• 学習されたフローディストリビューションからのモンテカルロサンプリングにより、条件付き平均を推定し、最終的な再構成を生成する。

実験結果

リサーチクエスチョン

• RQ1 条件付きノーマライジングフローは、低線量CT再構成における複雑で非ガウス分布の事後分布を効果的にモデル化できるか？
• RQ2 物理的FBP再構成を条件付けとして統合することで、エンドツーエンドで学習されたモデルと比較して、フローベースのCT再構成の品質と安定性が向上するか？
• RQ3 SSIMなどの構造的画像品質指標において、ノーマライジングフローの尤度ベース学習は、MSEベースの最適化と比較してどのように異なるか？
• RQ4 フローベースのモデルは、標準的な深層学習ベースラインと比較して、低線量CTデータ内の構造的依存性やアーチファクトをよりよく捉えられるか？
• RQ5 事後分布が単一モードである場合に、フローベースの事後分布の条件付き平均は、ロバストで高品質な再構成戦略とみなせるか？

主な発見

• 提案されたcNFモデルは、LoDoPaB-CTデータセットでテストSSIM 0.88を達成し、FBP + U-Net や学習済みイテレーティブ法を含む、すべての他の深層学習および古典的手法を上回った。
• MSEを最小化するように学習していないにもかかわらず、PSNRが35.68に達し、FBP + U-Net や学習済みPDといったSOTAのMSE最適化モデルと同等の性能を示した。
• 条件付き平均を計算する際のモンテカルロサンプル数を増やすほどPSNRとSSIMが向上する傾向にあり、モデルの不確実性推定が意味を持ち、サンプル品質がサンプル数に比例して向上することが示された。
• モデルの優れたSSIM性能は、MSEベースの最適化に比べて尤度ベースの学習が構造的画像特性をよりよく捉えられることを裏付けている。MSEベースの最適化は、画素単位の正確さを重視する傾向がある。
• FBPを条件付けとして統合することで、フローは残差補正の学習に集中でき、低線量CTベンチマークにおける収束速度が向上し、一般化性能も向上した。
• 結果から、尤度が複雑で非ガウス分布である統計的逆問題において、フローベースのモデルが特にアーチファクトやノイズの依存性が非i.i.d.である場合に適していることが示唆された。