[論文レビュー] DALnet: High-resolution photoacoustic projection imaging using deep learning

Johannes Schwab, Stephan Antholzer+2 more|arXiv (Cornell University)|Jan 20, 2018

Photoacoustic and Ultrasonic Imaging参考文献 5被引用数 8

ひとこと要約

本稿では、動的アパーチャー長（DAL）補正と畳み込みニューラルネットワーク（CNN）を組み合わせた深層学習ベースのフレームワーク、DALnetを提案する。この手法により、スパースな検出器アレイに起因するアンダーサンプリング、ぼやけ、限られた視野のアーチファクトを補正し、反復的再構成を用いずに数分の1秒未塔の高速で高分解能なフォトアクウスティック投影画像再構成が可能になる。

ABSTRACT

Photoacoustic tomography (PAT) is an emerging and non-invasive hybrid imaging modality for visualizing light absorbing structures in biological tissue. The recently invented PAT systems using arrays of 64 parallel integrating line detectors allow capturing photoacoustic projection images in fractions of a second. Standard image formation algorithms for this type of setup suffer from under-sampling due to the sparse detector array, blurring due to the finite impulse response of the detection system, and artifacts due to the limited detection view. To address these issues, in this paper we develop a new direct and non-iterative image reconstruction framework using deep learning. Within this approach we combine the dynamic aperture length (DAL) correction algorithm with a deep convolutional neural network (CNN). As demonstrated by simulation and experiment, the resulting DALnet is capable of producing high-resolution projection images of 3D structures in fractions of seconds.

研究の動機と目的

• スパースな検出器アレイを用いたフォトアクウスティックトモグラフィーにおける標準的画像形成法の限界を克服すること。
• 投影画像再構成におけるアンダーサンプリング、有限の検出器応答に起因するぼやけ、視野角アーチファクトを克服すること。
• リアルタイムで高分解能な画像再構成を可能にする直接的で反復的でない再構成手法を開発すること。
• 深層学習と組み合わせた動的アパーチャー長補正を統合し、画像品質と分解能を向上させること。

提案手法

• 画像再構成のために、動的アパーチャー長（DAL）補正アルゴリズムと深層畳み込みニューラルネットワーク（CNN）を統合する。
• DAL補正を用いて、源と検出器の幾何配置に基づき、有効なアパーチャーサイズを動的にモデル化する。
• シミュレーションおよび実験データ上でCNNをエンドツーエンドに訓練し、生の投影データから高分解能画像へのマッピングを学習する。
• 細かな空間的詳細を保持するとともに、スパースなサンプリングおよび限られた視野に起因するアーチファクトを低減するようにCNNアーキテクチャを設計する。
• 訓練済みモデルを新規データに直接適用することで、リアルタイムで反復的でない画像再構成を実現する。
• 両方のシミュレーションおよび実験的妥当性評価を通じて、堅牢性と一般化性能を保証する。

実験結果

リサーチクエスチョン

• RQ1 スパースな検出器アレイを用いたフォトアクウスティック投影画像再構成において、深層学習フレームワークがアンダーサンプリングおよびぼやけを効果的に補正できるか。
• RQ2 DAL補正とCNNを組み合わせることで、従来の手法と比較して画像分解能が向上し、アーチファクトが低減する程度はどの程度か。
• RQ3 提案手法が、高品質な画像再現性を維持しつつ、どの程度リアルタイムで反復的でない再構成を達成できるか。
• RQ4 DALnetの性能は、さまざまな3次元構造および画像条件において、どの程度一般化可能か。

主な発見

• DALnetは、数分の1秒未塔の高速な処理により、高分解能なフォトアクウスティック投影画像を生成し、リアルタイム画像再構成を実現した。
• DAL補正とCNNの統合により、検出視野が限られていることやスパースなサンプリングに起因するアーチファクトが顕著に低減された。
• シミュレーションおよび実験的環境の両方で、空間分解能の向上とぼやけの低減が実証された。
• 反復的再構成を回避することで、反復アルゴリズムに伴う計算負荷を解消した。
• 合成データおよび実データの両方による検証を通じて、さまざまな3次元構造にわたる良好な一般化性能が確認された。
• 結果から、深層学習アプローチが生の投影データから複雑な画像再構成マッピングを効果的に学習できていることが確認された。