[論文レビュー] Deep Learning Interior Tomography for Region-of-Interest Reconstruction

Yoseob Han, Jawook Gu+1 more|arXiv (Cornell University)|Dec 29, 2017

Medical Imaging Techniques and Applications参考文献 12被引用数 19

ひとこと要約

本論文は、切断されたラドン変換の核空間に起因するカップリングアーチファクトを低減するために、フィルタドバックプロジェクション（FBP）とU-Netベースの畳み込みニューラルネットワークを組み合わせた深層学習フレームワークを提案する。学習可能なアーキテクチャにより核空間制約を強制することで、最先端の手法よりも7–10 dBのPSNR向上を達成し、TVベースの手法よりも34倍高速な再構成が実現された。

ABSTRACT

Interior tomography for the region-of-interest (ROI) imaging has advantages of using a small detector and reducing X-ray radiation dose. However, standard analytic reconstruction suffers from severe cupping artifacts due to existence of null space in the truncated Radon transform. Existing penalized reconstruction methods may address this problem but they require extensive computations due to the iterative reconstruction. Inspired by the recent deep learning approaches to low-dose and sparse view CT, here we propose a deep learning architecture that removes null space signals from the FBP reconstruction. Experimental results have shown that the proposed method provides near-perfect reconstruction with about 7-10 dB improvement in PSNR over existing methods in spite of significantly reduced run-time complexity.

研究の動機と目的

• 切断されたラドン変換の核空間に起因する深刻なカップリングアーチファクトに対処すること。
• TVやLスプライン正則化などの反復的ペナルティ付き再構成手法の高い計算コストを克服すること。
• 領域内特徴（ROI）CT再構成において微細構造や高周波成分を保持する、高速でエンドツーエンドの深層学習アーキテクチャを開発すること。
• 深層学習が人工構造を導入することなく、核空間成分を効果的に学習・低減できることを検証すること。
• 従来の解析的および反復的手法と比較して、優れた画像品質と再構成速度を達成すること。

提案手法

• 本手法は2段階のアーキテクチャを採用：まず、切断されたシンログラムにFBPを適用してアーチファクトを含む初期画像を生成する。
• スキップ接続、バッチ正則化、3×3畳み込みを備えた変更版U-Netを用い、FBP出力を精緻化し、核空間アーチファクトを低減する。
• ネットワークのインダクティブバイアスとアーキテクチャを通じて、データ適合損失と併用して核空間制約を暗黙的に強制する。
• エンコーダ・デコーダ構造により階層的特徴を学習し、平均プーリングとアンプーリングを用いて特徴マップをダウンサンプリングおよびアップサンプリングしながら空間分解能を保持する。
• 最終出力は1×1畳み込み層により生成され、高品質なROI再構成画像が得られる。
• 学習にはLow-Dose CT Grand Challengeデータセットを用い、300エポック、Adam最適化、学習率スケジュールを10⁻³から10⁻⁵に設定した。

実験結果

リサーチクエスチョン

• RQ1 反復的最適化に依存せずに、深層学習モデルが内部トモグラフィーにおける核空間アーチファクトを効果的に低減できるか。
• RQ2 提案アーキテクチャは、既存手法と比較してエッジやテクスチャなどの高周波成分をよりよく保持できるか。
• RQ3 解析的およびペナルティ付き反復的手法と比較して、深層学習モデルがPSNRおよびNMSEの観点でどれほど近似完全な再構成を達成できるか。
• RQ4 臨床現場におけるTVおよびLスプラインベースの反復的手法と比較して、本手法の計算効率はどの程度高いか。
• RQ5 深層ネットワークがアーキテクチャと学習を通じて核空間制約を暗黙的に学習でき、明示的な核空間プロジェクションの必要性を回避できるか。

主な発見

• 提案手法はPSNR 37.46 dBを達成し、FBP（9.41 dB）、TV（30.20 dB）、LeeらのLスプライン法（27.03 dB）と比較して7–10 dBの向上を示した。
• NMSEは1.2994×10⁻³にまで低下し、すべての手法の中で最低を記録し、優れた再構成精度を示した。
• TVベースの手法（1スライスあたり0.0532秒対1.8272秒）と比較して34倍高速であり、Lスプライン法（0.3438秒）と比較しても6倍高速であった。
• 断層断面プロファイルと誤差画像から、本手法がエッジやテクスチャなどの微細構造や高周波成分をよりよく回復していることが確認された。
• ネットワークはカップリングアーチファクトと核空間信号を効果的に低減したが、再構成画像に人工構造は観察されず、解剖学的構造が良好に保持された。
• 結果として、深層ネットワークがエンコーダ・デコーダ構造とデータ駆動最適化を通じて核空間制約を効果的に学習していることが検証された。