[論文レビュー] Data-Driven Volumetric Image Generation from Surface Structures using a Patient-Specific Deep Leaning Model

Shaoyan Pan, Chih‐Wei Chang+6 more|PubMed|Apr 28, 2023

Medical Imaging Techniques and Applications参考文献 21被引用数 4

ひとこと要約

本研究では、階層的特徴学習を備えた生成的対抗ネットワークを用いて、ゼロ線量の表面スキャンから3次元ボリュームCT画像を生成する患者特異的ディープラーニングモデルを提案する。この手法は、平均絶対誤差26.9 ± 4.1 Hounsfield単位、PSNR 39.1 ± 1.0 dB、SSIM 0.965 ± 0.011を達成し、放射線被曝のないリアルタイム画像ガイドド治療を可能にする。

ABSTRACT

The advent of computed tomography significantly improves patients' health regarding diagnosis, prognosis, and treatment planning and verification. However, tomographic imaging escalates concomitant radiation doses to patients, inducing potential secondary cancer by 4%. We demonstrate the feasibility of a data-driven approach to synthesize volumetric images using patients' surface images, which can be obtained from a zero-dose surface imaging system. This study includes 500 computed tomography (CT) image sets from 50 patients. Compared to the ground truth CT, the synthetic images result in the evaluation metric values of 26.9 ± 4.1 Hounsfield units, 39.1 ± 1.0 dB, and 0.965 ± 0.011 regarding the mean absolute error, peak signal-to-noise ratio, and structural similarity index measure. This approach provides a data integration solution that can potentially enable real-time imaging, which is free of radiation-induced risk and could be applied to image-guided medical procedures.

研究の動機と目的

• 非イオン化表面画像から3次元ボリュームCT画像を生成するデータ駆動型手法を開発し、被検者の放射線被曝を低減すること。
• 事前の解剖学的事前知識を用いずに、疎で低次元の表面データから詳細な解剖的構造を生成する課題に対処すること。
• 特にFLASH治療や画像ガイドド手術を含む高精度治療において、リアルタイムで放射線被曝のない画像ガイドド治療を可能にすること。
• 患者特異的な表面幾何学的形状とディープラーニングを統合し、学習された特徴相関を通じて隠れたボリューム解剖を推定すること。
• 臨床的CTを基底真理としてモデルの性能を検証し、標準的な画像品質指標を用いて忠実度を評価すること。

提案手法

• 3次元表面画像から3次元ボリュームCT画像にマッピングするため、階層的アーキテクチャを備えた生成的対抗ネットワーク（GAN）が用いられる。
• 再構成ネットワークが表面画像から特徴マップを抽出し、ボリューム合成に適したテンソル表現に変換する。
• 臨床的CTスキャンの強度分布、ノイズレベル、コントラスト解像度を再現するように、精錬ネットワークが訓練される。
• 表面の曲率特徴が抽出され、入力モodalとして使用され、その大きさがモデルの汎化性能を向上させ、不確実性を低減することが示された。
• 患者特異的な解剖学的事前知識を用いて、50名の被検者から得た500組のCT-表面画像ペアを用いて、エンドツーエンドでモデルを訓練する。
• t-SNEおよびクラスタリング解析を用いて、異なる被検者群における生成画像の一貫性と分布を評価する。

実験結果

リサーチクエスチョン

• RQ1 事前の解剖学的知識を一切用いずに、ディープラーニングモデルが3次元表面スキャンから正確に3次元ボリュームCT画像を再構成できるか？
• RQ2 表面の曲率は、表面からボリュームへの画像生成プロセスの性能と不確実性にどのように影響するか？
• RQ3 データ駆動型で患者特異的なモデルは、表面幾何学のみを用いて、臨床的CTスキャンの画像品質をどの程度再現できるか？
• RQ4 この手法により、特に高精度治療（例：FLASH）を想定したリアルタイムで放射線被曝のない画像ガイドド治療が可能になるか？
• RQ5 患者特異的な表面データの統合は、ボリューム画像合成の汎化性能とロバストネスをどの程度向上させるか？

主な発見

• 提案されたモデルは、合成CTと基底真理CTの比較において、平均絶対誤差（MAE）が26.9 ± 4.1 Hounsfield単位を達成した。
• 合成画像のピークサイナリオ比（PSNR）は39.1 ± 1.0 dBであり、高い画像品質と忠実度を示している。
• 構造的類似度指数測定（SSIM）は0.965 ± 0.011に達し、構造的詳細の強力な保持を示している。
• 表面曲率のばらつきが大きい被検者ではモデルの不確実性が低下しており、学習と汎化の向上が示唆された。
• 本手法により、放射線被曝ゼロのリアルタイムボリューム画像生成が可能となり、放射線治療における継続的画像ガイドド治療の代替ソリューションとして有望である。
• 精錬ネットワークは、臨床的CTのノイズレベルとコントラスト解像度を効果的に保持しており、画像の現実性と診断的有用性を向上させた。