[論文レビュー] DECT-MULTRA: Dual-Energy CT Image Decomposition With Learned Mixed Material Models and Efficient Clustering

Zhipeng Li, Saiprasad Ravishankar+2 more|arXiv (Cornell University)|Jan 1, 2019

Advanced X-ray and CT Imaging参考文献 26被引用数 4

ひとこと要約

本稿では、ペナルティ付き加重最小二乗法（PWLS）と学習されたスパアライジング変換の混合集合（MULTRA）を組み合わせることで、画像ドメインにおける二エネルギーCT分解を向上させる新規な手法DECT-MULTRAを提案する。事前に学習された共通およびクロスマテリアル変換を用いることで、ノイズとアーチファクトを低減しながらエッジや微細構造を保持する効率的で閉形式の最適化が可能となり、XCATファントムおよび臨床的頭部データの両方で既存手法を上回る性能を発揮する。

ABSTRACT

Dual energy computed tomography (DECT) imaging plays an important role in advanced imaging applications due to its material decomposition capability. Image-domain decomposition operates directly on CT images using linear matrix inversion, but the decomposed material images can be severely degraded by noise and artifacts. This paper proposes a new method dubbed DECT-MULTRA for image-domain DECT material decomposition that combines conventional penalized weighted-least squares (PWLS) estimation with regularization based on a mixed union of learned transforms (MULTRA) model. Our proposed approach pre-learns a union of common-material sparsifying transforms from patches extracted from all the basis materials, and a union of cross-material sparsifying transforms from multi-material patches. The common-material transforms capture the common properties among different material images, while the cross-material transforms capture the cross-dependencies. The proposed PWLS formulation is optimized efficiently by alternating between an image update step and a sparse coding and clustering step, with both of these steps having closed-form solutions. The effectiveness of our method is validated with both XCAT phantom and clinical head data. The results demonstrate that our proposed method provides superior material image quality and decomposition accuracy compared to other competing methods.

研究の動機と目的

• 従来の画像ドメインDECT分解手法が画像ノイズに敏感であるため、ノイズの増幅とアーチファクトが生じるという限界を是正すること。
• 物質パッチからの学習済みの事前知識を統合することで、物質分解の正確性と画像品質を向上させること。
• スパarsityに基づく正則化と、画像パッチを最適なスパアライジング変換に適応的にクラスタリングする手法を組み合わせ、計算効率の高い手法を開発すること。
• ファントムデータで学習したMULTRAモデルを、再トレーニングなしに実臨床DECTデータに一般化できることを示し、その頑健性と転送可能性を検証すること。
• DECT-EP、DECT-TDL、DECT-STといった既存の最先端手法を上回ること、特にノイズ抑制とエッジ保持の両面で優れた性能を発揮すること。

提案手法

• 本手法は、学習されたスパアライジング変換の混合集合（MULTRA）による正則化を組み込んだ、画像ドメインDECT分解のためのペナルティ付き加重最小二乗法（PWLS）を用いる。
• 共通物質スパアライジング変換は、個々の基本物質（例：水、骨）のパッチから事前に学習され、物質画像間の共通する構造的特性を捉える。
• クロスマテリアルスパアライジング変換は、複数物質パッチから学習され、異なる物質間の相関関係をモデル化する。
• 最適化中にクラスタリングを用いて、画像パッチを最適なスパアライジング変換に適応的に割り当てることで、柔軟でデータ駆動型のスパarsity表現を実現する。
• 最適化は、画像更新ステップとス parse コーディング・クラスタリングステップを交互に実行するが、両方とも閉形式の解を有するため、計算効率が保証される。
• 初期化には直接行列逆行列法を用い、さらにDECT-EPおよびDECT-TDLの結果を用いて収束性と安定性を向上させる。

実験結果

リサーチクエスチョン

• RQ1 学習されたスパアライジング変換の混合集合は、DECT画像分解において共通およびクロスマテリアルの依存関係を効果的にモデル化できるか？
• RQ2 提案されたMULTRAベースの正則化は、非適応的および辞書ベースの手法と比較して、画像ドメインDECTにおけるノイズとアーチファクトを顕著に低減するか？
• RQ3 デジタルファントムで事前学習したモデルは、再トレーニングなしに実臨床DECTデータに効果的に一般化できるか？
• RQ4 DECT-MULTRAは、小血管や髄髄の微細構造といった細かな解剖学的構造を、DECT-EP、DECT-TDL、DECT-STと比較してどれほど効果的に保持できるか？
• RQ5 本手法は、高い分解能を実現しつつ、計算コストを低く抑え、画像ノイズに対して頑健であるか？

主な発見

• DECT-MULTRAは、直接行列逆行列法やDECT-EPと比較して、特に低コントラスト領域において、物質境界でのノイズとアーチファクトを顕著に低減した。
• DECT-EPおよび直接行列逆行列法が見逃した、ヨウ化物含有動脈に対応する小さな暗いスポットを、DECT-MULTRAは効果的に保持した。
• 臨床データのズームイン領域を確認したところ、DECT-TDLと比較して、軟部組織（例：髄髄）におけるエッジがよりシャープに保たれた。
• XCATファントムで学習したMULTRAモデルは、臨床的頭部DECTデータへの一般化がうまくいったことから、強力な転送可能性と頑健性を示した。
• 定量的評価では、DECT-MULTRAはDECT-EP、DECT-TDL、DECT-STと比較して、ノイズ抑制および構造保持の両面で優れた性能を示し、分解能の正確性も優れていた。
• 閉形式の最適化ステップにより、計算が効率的であり、高度な正則化フレームワークを有しながらも、実臨床応用に適した手法であることが示された。