[論文レビュー] CT Field of View Extension Using Combined Channels Extension and Deep Learning Methods

Éric Fournié, Matthias Baer‐Beck+1 more|arXiv (Cornell University)|Aug 26, 2019

Medical Imaging Techniques and Applications参考文献 1被引用数 7

ひとこと要約

本稿では、CT画像における視野（FoV）を拡張する二段階手法を提案する。まず、外側のシンログラムチャネルを線形に外挿して回転角幅を拡大し、その後、U-Net深層学習モデルを用いて拡張領域のアーチファクトを低減する。本手法は、計算コストが低く、最先端の手法よりも優れた画像品質を達成し、肥満患者や放射線治療計画など、挑戦的な症例において診断可能な品質の拡張再構成を可能にする。

ABSTRACT

This paper proposes a method to extend the field of view of computed tomography images. In a first step, the field of view is increased by extrapolating linearly the outer channels in the sinogram space. The modified sinogram is then used to reconstruct extended field of view (EFoV) images containing artifacts due to the channels extension. In a second step, those artifacts are reduced by a deep learning network in image space. The proposed method has been evaluated on a collection of clinical scans. The resulting volumes have been checked for consistency and plausibility and compared to an existing state of the art EFoV method.

研究の動機と目的

• CTスキャナが固定スキャン視野（SFoV）外の解剖的領域をアーチファクトを伴わずに再構成できないという制限に対処すること。
• 計算コストが低く、元のSFoV領域の診断品質を保持する視野拡張手法を開発すること。
• 不完全な投影データに起因する拡張視野領域のアーチファクトを、深層学習を用いて低減すること。
• HDFoVなどの既存の最先端手法を上回り、臨床的再構成における画像の現実性と一貫性を向上させること。

提案手法

• 本手法はまず、チャネル方向に外側のチャネルをゼロ方向に線形外挿することでシンログラムを拡張し、回転角幅をEFoV/SFoVの倍率で拡大する。
• 拡張されたシンログラムにフィルターバックプロジェクション（FBP）を適用し、拡張視野（EFoV）領域にアーチファクトを含む初期のEFoV画像を生成する。
• U-Net深層学習ネットワークを訓練し、構造的およびピxls単位の差を最小化することで、ノイズの多いEFoV画像をより滑らかで現実的なバージョンに変換する。
• ネットワーク出力を、入力EFoV画像の強度分布に一致させるように正規化し、SFoV領域の歪みを防ぎ、SFoV/EFoV境界での一貫性を確保する。
• 学習には、元の臨床的スキャンとそれに対応するアーチファクトを含むEFoV再構成のペairedデータを用い、損失関数はEFoV領域での重み付きDSSIMと平均二乗誤差の和として計算する。
• ネットワーク出力のSFoV領域を、FBP再構成からの対応するSFoV領域に置き換えることで、診断的に重要な解剖学的構造の歪みを回避する。

実験結果

リサーチクエスチョン

• RQ1 シンログラムチャネルの線形外挿に続く深層学習ベースのアーチファクト補正によって、既存手法よりも高品質な視野拡張CT再構成が達成できるか？
• RQ2 拡張シンログラムのFBP再構成を入力とした場合、U-Netがアーチファクトをどの程度低減できるか？
• RQ3 提案手法は、元のスキャン視野（SFoV）領域の診断品質を保持しつつ、拡張領域での画像の現実性を向上させることができるか？
• RQ4 特に複雑な解剖学的構造や患者サイズの制限がある症例において、真値が得られない臨床データに対して、本手法はどの程度の性能を示すか？

主な発見

• 3例中5例の臨床症例において、本手法は最先端のHDFoV手法を評価的に上回り、人工的な構造の低減と解剖学的整合性の向上が顕著に見られた。
• 症例1では人工的な構造が生成されたため、特定の解剖学的構造や高コントラスト領域の処理に限界があることが示された。
• 症例3では、患者の一部（例：腕）の再構成に失敗したため、検出器の角度カバレッジを超えて構造が延びる場合に視野を拡張することが困難であることが示された。
• 本手法は、計算効率と画像品質のバランスを図っており、放射線治療計画や肥満患者の画像診断など、臨床ワークフローでの実用的応用を可能にした。
• 強度正規化と軸断層、冠状断層、矢状断層の視点からの視覚的検査により、SFoV領域の保持とEFoV領域におけるアーチファクト低減が有効に実現されたことが確認された。