[論文レビュー] Deep-Fill: Deep Learning Based Sinogram Domain Gap Filling in Positron Emission Tomography

Isaac Shiri, Peyman Sheikhzadeh+1 more|arXiv (Cornell University)|Jun 16, 2019

Medical Imaging Techniques and Applications被引用数 19

ひとこと要約

本稿では、検出器ブロック間のギャップによって生じるPETシンチグラムの欠損データを復元するためのディープコンvolutionエンコーダデコーダネットワーク、Deep-Fillを提案する。増幅されたファントムデータを用いて訓練することで、高精度にギャップなしのシンチグラムを予測し、ストリークアーティファクトを顕著に低減し、再構成されたPETスキャンの画像品質を向上させる。

ABSTRACT

One of the major challenges in design and developing of PET, scanners are the presence of inactive areas between the detector blocks which degrade the image spatial resolution and leads to streaking artifacts especially when we employ analytical image reconstruction. The aim of this study is to assess the feasibility of generating the gap-free PET image using the deep convolutional encoder-decoder in sinogram space. The gap-corrupted sinograms of simulated HRRT scanner, sinograms without gaps as ideal/ground truth and predicted sinograms owing to the implemented our deep-fill method were quantitatively compared. In total, 1293 phantom images divided into three main sets of training 1000, 150 Validation, and 143 test set. The 1000 training images were augmented using affine transformations with various sub-transforms including rotation (rotate randomly), translation to 12000 Image with 6 frequencies of 2 main methods. The Deep-Fill architecture consists of an encoder and a decoder part, and it is composed of convolution operation, max pooling, ReLU activation, concatenation, and up convolution layers. The gap image is going through the network along with all possible paths then the gap-free image was generated by decoder part of the network. The quality of the generated images was quantitatively assessed by different quality metrics in both sinogram space and reconstruction images. We demonstrated that deep learning based approaches applied to inter-detector gap filling can recover the missing data in sinogram with high quantitative accuracy and have the potential to significantly improve the reconstructed image quality and prevent degradation of PET image quantification.

研究の動機と目的

• 検出器ブロック間の不活性領域によって引き起こされるPET画像品質の低下に対処すること。
• 深層学習がシンチグラム空間における欠損データを効果的に再構成できるかどうかを調査すること。
• ストリークアーティファクトを最小限に抑えつつ、画像の定量的精度を保持する手法を開発すること。
• 畳み込みオートエノードが汚損入力からギャップなしのシンチグラムを生成する性能を評価すること。

提案手法

• 畳み込み層、プーリング層、ReLU活性化関数、結合層、逆畳み込み層を備えたU-Netに類似したエンコーダデコーダアーキテクチャが用いられた。
• ネットワークは、アフィン変換を用いて1,000件の元のファントム研究から得た12,000枚の増幅訓練画像を用いて訓練された。
• 入力シンチグラムには、検出器間ギャップを模倣した人工的なギャップが含まれており、モデルは対応するギャップなしのシンチグラムを予測した。
• 訓練プロセスでは、ギャップのない真値シンチグラムを教師あり学習のターゲットとして用いた。
• データ増強には、ランダムな回転、平行移動、および複数周波数の部分変換が含まれ、一般化性能の向上を図った。
• モデルの性能は、シンチグラム空間および再構成画像空間の両方における定量的指標を用いて評価された。

実験結果

リサーチクエスチョン

• RQ1 検出器間のギャップによって生じるPETシンチグラムの欠損データを、深層学習が効果的に回復できるか。
• RQ2 畳み込みオートエノードが汚損入力からギャップなしのシンチグラムをどの程度正確に再構成できるか。
• RQ3 ギャップ埋めによって再構成されたPET画像の品質がどの程度向上するか。
• RQ4 従来の再構成法と比較して、提案手法が画像の定量的精度を保持できるか。

主な発見

• Deep-Fillモデルは、ギャップなしのシンチグラムを高精度に再構成し、ストリークアーティファクトを顕著に低減した。
• 再構成画像における画像品質指標は、深層学習を用いたギャップ埋めによって顕著に改善された。
• 広範なデータ増強のおかげで、多様なファントム設定に対してモデルは強固な一般化性能を示した。
• 画像の定量的精度が保持されたことから、PET画像再構成の臨床的妥当性が示された。