[論文レビュー] Deep Convolutional Framelet Denosing for Low-Dose CT via Wavelet Residual Network

Eun‐Hee Kang, Jaejun Yoo+1 more|arXiv (Cornell University)|Jul 31, 2017

Medical Imaging Techniques and Applications参考文献 42被引用数 4

ひとこと要約

本稿では、フレームレットに基づくノイズ除去の収束保証と深層学習の表現力の両方を組み合わせた、ウェーブレットリーマンネットワーク（WavResNet）を用いた低線量CT用の深層畳み込みフレームレットノイズ除去手法を提案する。ネットワークをマルチレイヤー畳み込みフレームレットとして解釈することで、反復的精錬が可能となり、優れたノイズ抑制効果と細かな解剖学的テクスチャおよび病変の詳細の保持を達成した。これは、MBIR や FBP を含む先行手法を上回る、病変検出性能と画像品質を実現した。

ABSTRACT

Model based iterative reconstruction (MBIR) algorithms for low-dose X-ray CT are computationally expensive. To address this problem, we recently proposed a deep convolutional neural network (CNN) for low-dose X-ray CT and won the second place in 2016 AAPM Low-Dose CT Grand Challenge. However, some of the texture were not fully recovered. To address this problem, here we propose a novel framelet-based denoising algorithm using wavelet residual network which synergistically combines the expressive power of deep learning and the performance guarantee from the framelet-based denoising algorithms. The new algorithms were inspired by the recent interpretation of the deep convolutional neural network (CNN) as a cascaded convolution framelet signal representation. Extensive experimental results confirm that the proposed networks have significantly improved performance and preserves the detail texture of the original images.

研究の動機と目的

• 既存の深層学習ベースの低線量CTノイズ除去手法が、細かなテクスチャの回復に失敗し、ネットワークをブラックボックスとして扱うという限界を是正すること。
• フレームレットベースのノイズ除去の理論的収束特性と深層ニューラルネットワークの表現力の統合。
• ReLU非線形性を伴う畳み込みフレームレットと結びつけることで、数学的に解釈可能な深層学習アーキテクチャの提供。
• 非拡大作用素フレームワークを用いた反復的精錬により、低線量CTにおける病変検出性能と画像品質の向上。
• 適切なフレームレット表現の選択により、特定の修復タスクに最適化可能なネットワークの実現。

提案手法

• 深層畳み込みニューラルネットワークを、ReLU活性化関数を伴うマルチレイヤー畳み込みフレームレットとして解釈し、整備された数学的枠組みに根ざしたネットワークを構築。
• 低線量CT画像における方向性特徴の学習とテクスチャ回復を向上させるために、ウェーブレットリーマンネットワーク（WavResNet）を採用。
• ネットワークは、フィードフォワードアーキテクチャおよびRNNに類似した反復的バージョンの両方を備え、フレームレットノイズ除去フレームワークから導出。
• 反復的プロセスは、非拡大作用素条件を満たす Krasnoselski-Mann（KM）アルゴリズムとしてモデル化され、収束保証が得られる。
• 有限な畳み込みフィルタとReLUの特性により、ネットワークのヤコビ行列が有界となり、非拡大性を用いた理論的収束証明が可能。
• 信号回復と高周波数成分の保持を高めるために、冗長なグローバル変換と連結層を用いる。

実験結果

リサーチクエスチョン

• RQ1 畳み込みフレームレットフレームワークを用いることで、低線量CTにおける深層学習ベースのノイズ除去を理論的に裏付けられるか？
• RQ2 フレームレットベースの反復的精錬を深層ネットワークに統合することで、標準的なCNNと比較してテクスチャおよび病変の保持が向上するか？
• RQ3 ネットワークが非拡大作用素として解釈可能であり、反復的ノイズ除去における収束を保証できるか？
• RQ4 提案されたWavResNetベースのフレームレットネットワークは、MBIR や FBP と比較して、臨床的画像品質および病変検出性能で優れているか？
• RQ5 適切なフレームレット表現の選択により、ネットワークを特定の修復タスクに最適化できるか？

主な発見

• 提案手法は、低線量CTスキャンにおいて73%の病変検出率を達成し、FBP（57%）およびMBIR（62%）を顕著に上回った。FBPとの比較のp値は0.0412であった。
• 視覚的および定量的評価により、先行する深層学習手法よりも優れた細かな解剖学的テクスチャおよび構造的詳細の保持を確認した。
• 理論的解析により、反復的ネットワークが非拡大であり、Krasnoselski-Mannアルゴリズムのもとで収束することが証明され、安定した最適化が保証された。
• WavResNetベースのアーキテクチャは、方向性特徴の効果的な回復と低線量CT画像におけるストリークアーチファクトの低減に効果を示した。
• 2016年AAPM低線量CTグランドチャレンジにおいて、2位のソリューションを上回り、特にテクスチャ回復および病変の可視性で優れた性能を示した。
• 広範な実験により、ネットワークがノイズ抑制を実現しながらも病変情報を保持していることが確認され、臨床的意義を示した。