[論文レビュー] Cross-Vendor CT Image Data Harmonization Using CVH-CT

Md. Selim, Jie Zhang+4 more|PubMed|Oct 19, 2021

Radiomics and Machine Learning in Medical Imaging参考文献 30被引用数 5

ひとこと要約

本論文では、非ペairedな学習データを用いて放射線科的特徴量のスキャナーベースのばらつきを低減する、新しい深層学習フレームワークCVH-CTを提案する。自己注意機構（CBAM）とVGGベースのドメイン損失を統合することで、スキャナ固有のテクスチャ分布を捉え、解剖学的詳細の保持と異なるベンダー間での特徴量再現性の向上において、既存手法を顕著に上回る性能を発揮する。

ABSTRACT

While remarkable advances have been made in Computed Tomography (CT), most of the existing efforts focus on imaging enhancement while reducing radiation dose. How to harmonize CT image data captured using different scanners is vital in cross-center large-scale radiomics studies but remains the boundary to explore. Furthermore, the lack of paired training image problem makes it computationally challenging to adopt existing deep learning models. We propose a novel deep learning approach called CVH-CT for harmonizing CT images captured using scanners from different vendors. The generator of CVH-CT uses a self-attention mechanism to learn the scanner-related information. We also propose a VGG feature based domain loss to effectively extract texture properties from unpaired image data to learn the scanner based texture distributions. The experimental results show that CVH-CT is clearly better than the baselines because of the use of the proposed domain loss, and CVH-CT can effectively reduce the scanner-related variability in terms of radiomic features.

研究の動機と目的

• マルチセンター研究における異なるCTスキャナーベンダーに起因する放射線科的特徴量の不一致を解決すること。
• 臨床現場ではしばしば入手困難なペアデータを必要とせず、CT画像の統一化を可能とすること。
• 異なるベンダー間でスキャナ固有のテクスチャ分布を効果的に学習・転送できる深層学習モデルの開発。
• ターゲットスキャナの分布に一致する画像を合成することで、異なるCTスキャナ間での放射線科的特徴量の再現性を向上させること。
• クロスベンダーおよびクロスプロトコルCT画像統一化の両タスクにおいて、手法の有効性を検証すること。

提案手法

• CVH-CTは、2つの生成器（A2B および B2A）を用いたCycleGANに類似したフレームワークを採用し、2つのCTスキャナードメイン間（例：GEからシーメンス、シーメンスからGE）の画像変換を実現する。
• 生成器ネットワークには、特にスキャナ固有のテクスチャパターンのグローバル特徴学習を強化するため、CBAM（畳み込みブロック注意モジュール）を統合する。
• ペアデータが不要な効果的な分布マッチングを可能とするために、新規にVGGベースのドメイン損失を導入する。
• 生成器と識別器をエンドツーエンドで学習するため、敵対的損失、サイクル整合性損失、および提案されたドメイン損失の組み合わせを用いる。
• ドメイン損失は、VGG-16を介して深層特徴空間における特徴ギャップを計算し、ネットワークがターゲットドメインのテクスチャ特性を学習するのを支援する。
• 本フレームワークは、異なるベンダーまたは再構成プロトコルからの非ペアCT画像を用いて学習され、ゼロショット統一化を実現する。

実験結果

リサーチクエスチョン

• RQ1 ペア学習データを必要としない深層学習モデルが、異なるベンダー間のCT画像を効果的に統一化できるか。
• RQ2 CBAMのような自己注意機構が、CT画像におけるスキャナ固有のテクスチャ分布をどれほど的確に捉えることができるか。
• RQ3 VGGベースのドメイン損失が、ペアなし画像変換におけるCT統一化の特徴一貫性をどの程度向上させるか。
• RQ4 提案手法が、スキャナに起因する放射線科的特徴量のばらつきを低減しつつ、解剖学的構造を保持できるか。
• RQ5 同じスキャナ上での異なる再構成カーネル（例：Bl64からBr40）を想定したクロスプロトコル統一化にも一般化可能か。

主な発見

• GEからシーメンス、シーメンスからGEへの変換において、6つの放射線科的特徴クラスのうち5つで最高の一致相関係数（CCC）スコアを達成し、CycleGANや他のベースライン手法を顕著に上回った。
• 一次特徴量のCCCスコアは、すべてのモデルで1.0に近く、解剖学的詳細の良好な保持を示した。
• テクスチャベースの特徴量では、CVH-CTがCycleGANを顕著に上回り、大多数のクラスでCCCスコアが0.85を超えた。
• PSNR、SSIM、NCC指標により、CVH-CTがターゲット画像と高い視覚的品質および構造的類似性を持つ合成画像を生成することが確認された。
• クロスプロトコル統一化（例：Bl64カーネルからBr40カーネル）においても、CVH-CTはCCCスコア0.87 ± 0.12および0.86 ± 0.10を達成し、ベンダーの違いを超えた頑健性を示した。
• 残差マップの可視化分析により、CVH-CTはターゲット画像との類似度が最も高く、多数の値が0付近（青色）に集中しており、合成の高忠実度を示した。