[論文レビュー] Deep Neural Network Assisted Iterative Reconstruction Method for Low Dose CT

Shabab Bazrafkan, Vincent Van Nieuwenhove+3 more|arXiv (Cornell University)|Jun 3, 2019

Medical Imaging Techniques and Applications被引用数 4

ひとこと要約

本論文は、低線量CTのためのハイブリッドディープラーニングと反復再構成法を提案し、SIRT（特異値分解に基づく反復再構成）フレームワーク内にディープニューラルネットワーク（DNN）を正則化項として統合する。各SIRTステップの後に10個のミックススケール密度畳み込みネットワークを逐次適用することで、画像品質が向上し、元のシノグラムデータへの忠実度も向上し、PSNR、MSE、SSIMの指標において最先端の手法を上回る性能を発揮する。

ABSTRACT

Low Dose Computed Tomography suffers from a high amount of noise and/or undersampling artefacts in the reconstructed image. In the current article, a Deep Learning technique is exploited as a regularization term for the iterative reconstruction method SIRT. While SIRT minimizes the error in the sinogram space, the proposed regularization model additionally steers intermediate SIRT reconstructions towards the desired output. Extensive evaluations demonstrate the superior outcomes of the proposed method compared to the state of the art techniques. Comparing the forward projection of the reconstructed image with the original signal shows a higher fidelity to the sinogram space for the current approach amongst other learning based methods.

研究の動機と目的

• 線量が低いか投影数が少ない場合に生じるノイズやストリークアーチファクトを低減すること。
• SIRTのデータ整合性とDNNの構造的事前知識学習を組み合わせることで、再構成の忠実度を向上させること。
• 完全に学習ベースの手法の限界を克服し、画像空間およびシノグラム空間の両方で再構成精度を向上させること。
• 複数段階処理における反復的再構成とディープラーニングの協調的挙動を調査すること。
• PSNR、MSE、SSIMといった定量的指標において、最先端の手法を上回る優れた性能を示すこと。

提案手法

• 本手法は、シノグラム空間での誤差を最小化する反復的再構成アルゴリズムSIRTと、画像空間での正則化に用いる連続したディープニューラルネットワーク（DNN）を組み合わせる。
• 10個のミックススケール密度畳み込みニューラルネットワークを、各SIRT反復の後に逐次訓練し、中間再構成を精緻化する。
• トランスファーラーニングを採用：各後続DNNは、直前のステップで最も優れたモデルの重みで初期化され、トレーニングの安定性と収束性が向上する。
• DNNは、ノイズが多いか低品質なSIRT出力を高品質な画像にマッピングするように学習し、シノグラムデータに直接の教師信号を用いずに構造的事前知識を学習する。
• 最終出力は、DNN出力に対して最終的なSIRTステップを適用することで得られ、シノグラム空間でのデータ整合性が保証される。
• フレームワークは、テストデータにおけるPSNR、MSE、SSIMで評価され、各SIRTおよびDNNブロック後の中間結果も分析される。

実験結果

リサーチクエスチョン

• RQ1 ディープニューラルネットワークが、低線量CTにおけるノイズとストリークアーチファクトを効果的に正則化できるか？
• RQ2 各SIRTステップの後にDNNを逐次統合するアプローチが、エンドツーエンド学習と比較して画像品質およびシノグラム忠実度に与える影響はいかほどか？
• RQ3 初期段階のDNNが再構成パイプライン全体の性能向上にどの程度寄与しているか？
• RQ4 本手法は、画像空間でのみ動作する既存の学習ベースのアプローチよりも、シノグラム空間での再構成忠実度が優れているか？
• RQ5 特に高輝度領域において、ノイズレベルや背景輝度が変化する条件下でも、本手法はどの程度の性能を発揮するか？

主な発見

• 提案されたSIRT+DNN手法は、最先端の学習ベースおよびモデルベースの再構成技術と比較して、PSNR、MSE、SSIMの指標で優れた値を達成した。
• 前方投影後の元のシノグラムデータへの忠実度が高く維持されており、画像空間でのみ動作する他の学習ベース手法を上回った。
• 中間結果から、最初の数個のDNNブロックが画像品質に最も顕著な影響を及ぼしていることが明らかになった。後段のステージでは改善がわずかであった。
• 本手法は、背景輝度が10,000を超える領域においても、より詳細な再構成を生成し、競合モデルを上回った。
• SIRTとDNNの協調的挙動が顕著に現れた：各SIRTステップでデータ整合性が向上し、各DNNステップで構造的およびピクセルレベルの正確性が向上した。
• 一部の代替手法よりも遅いが、現代のGPUアクセラレーションを活用すれば、性能と頑健性の観点から実用的であると考えられ、今後のノイズを含むデータでのトレーニングにより一般化性能が向上すると期待される。