[論文レビュー] Deconvolution-Based Backproject-Filter (BPF) Computed Tomography Image Reconstruction Method Using Deep Learning Technique

Yongshuai Ge, Qiyang Zhang+5 more|arXiv (Cornell University)|Jul 5, 2018

Medical Imaging Techniques and Applications参考文献 4被引用数 10

ひとこと要約

本稿では、畳み込みニューラルネットワーク（CNN）を用いて、高にぼけたラミノグラムを直接高分解能・低ノイズのCT画像に復元する、深層学習に基づくバックプロジェクション・フィルタリング（BPF）CT画像再構成法を提案する。従来のフィルタド・バックプロジェクション（FBP）とは異なり、この画像ドメインにおけるBPFアプローチは、空間分解能を同等に保ちつつ最大20％のノイズ低減を達成し、臨床的CTスキャンにおける被ばく線量低減の可能性を秘めている。

ABSTRACT

For conventional computed tomography (CT) image reconstruction tasks, the most popular method is the so-called filtered-back-projection (FBP) algorithm. In it, the acquired Radon projections are usually filtered first by a ramp kernel before back-projected to generate CT images. In this work, as a contrary, we realized the idea of image-domain backproject-filter (BPF) CT image reconstruction using the deep learning techniques for the first time. With a properly designed convolutional neural network (CNN), preliminary results demonstrate that it is feasible to reconstruct CT images with maintained high spatial resolution and accurate pixel values from the highly blurred back-projection image, i.e., laminogram. In addition, experimental results also show that this deconvolution-based CT image reconstruction network has the potential to reduce CT image noise (up to 20%), indicating that patient radiation dose may be reduced. Due to these advantages, this proposed CNN-based image-domain BPF type CT image reconstruction scheme provides promising prospects in generating high spatial resolution, low-noise CT images for future clinical applications.

研究の動機と目的

• 画像ドメインにおけるバックプロジェクション・フィルタリング（BPF）再構成フレームワーク内での深層学習を用いた画像再構成の可能性を検討すること。
• 従来のBPF手法に起因する歴史的限界、例えば非有界なデコンボリューションカーネルに起因する計算効率の悪さや分解能の低下を克服すること。
• 従来のシングラムフィルタリングを回避し、ぼやけたラミノグラムから直接高品質なCT画像を再構成するCNNベースの手法を開発すること。
• 臨床的CT応用におけるノイズ低減と被ばく線量最適化の可能性を評価すること。
• ラミノグラムの適切な生成が保証される限り、異なるCT幾何構成や画像次元に一般化可能なネットワーク設計を通じて、一般化能力を実証すること。

提案手法

• 畳み込みニューラルネットワーク（CNN）を用いて、バックプロジェクションされたシングラム（ラミノグラム）に対して画像ドメインでのデコンボリューションを実行し、鋭いCT画像を回復する。
• 臨床的CT画像を用いて、Hounsfield単位を経験的係数0.02/mm（60 keV X線ビーム近似）を用いて線形減衰係数に変換することで、トレーニングデータセットを生成する。
• ノイズ特性の変動に耐性を高めるために、画像値を0.50〜2.00の範囲でランダムにスケーリングするデータ拡張を実施する。
• 512×512のぼやけたラミノグラムを、固定された入出力次元で、高分解能・低ノイズCT画像にマッピングするようにネットワークを訓練する。
• デコンボリューション段階ではCT幾何構成に依存しないため、ラミノグラムが適切に生成されていれば、異なる画像取得設定への一般化が可能である。
• 臨床的CTデータおよびデジタル・アーチファクトを含むフォントを用いてフレームワークを検証し、従来のFBPおよびノイズのない再構成法と性能を比較する。

実験結果

リサーチクエスチョン

• RQ1 深層学習モデルは、画像ドメインでぼやけたラミノグラムを高分解能CT画像に効果的にデコンボリューションできるか？
• RQ2 提案されたCNNベースのBPF法は、従来のFBPと同等の空間分解能を維持しながら、画像ノイズを低減できるか？
• RQ3 訓練済みCNNは、異なるCTイメージング幾何構成および減衰特性に一般化できるか？
• RQ4 この手法は、ノイズ抑制を通じて患者被ばく線量の低減にどの程度寄与できるか？
• RQ5 CNN再構成画像のノイズパワースペクトル（NPS）は、FBP再構成画像と比較してどのようになるか？

主な発見

• 提案されたCNNベースのBPF法は、ぼやけたラミノグラムから空間的詳細を保持した高分解能CT画像を効果的に再構成した。
• 訓練データにノイズのない画像を使用しても、従来のFBPと比較して最大20％のノイズ低減を達成しており、強力なノイズ抑制の可能性を示している。
• CNN再構成画像のノイズテクスチャは、FBPと類似しており、臨床的ノイズ認識および画像品質指標と整合性があると示唆された。
• デコンボリューションネットワークが画像取得幾何パrameterに依存しないため、異なるCT幾何構成に優れた一般化性能を示した。
• 再訓練により異なるマトリクスサイズに適応した場合でも、さまざまな画像次元で一貫した性能を維持したが、現在の実装は512×512に固定されている。
• 予備的な結果から、今後のノイズを含むデータセットでの学習により、さらなるノイズ低減およびアーチファクト抑制が可能になると予想され、ALARA（As Low As Reasonably Achievable）被ばく線量プロトコルへの対応が期待される。