[論文レビュー] Deep Residual Learning for Compressed Sensing CT Reconstruction via Persistent Homology Analysis

Yoseob Han, Jaejun Yoo+1 more|arXiv (Cornell University)|Nov 19, 2016

Medical Imaging Techniques and Applications参考文献 19被引用数 173

ひとこと要約

この論文は、疎視 CT におけるストリークアーティファクトを除去する深層残差 U-net アーキテクチャを提案し、アーティファクトはより単純な多様体上に存在することを示し、従来の圧縮感知法よりも高速で高品質な再構成を実現します。

ABSTRACT

Recently, compressed sensing (CS) computed tomography (CT) using sparse projection views has been extensively investigated to reduce the potential risk of radiation to patient. However, due to the insufficient number of projection views, an analytic reconstruction approach results in severe streaking artifacts and CS-based iterative approach is computationally very expensive. To address this issue, here we propose a novel deep residual learning approach for sparse view CT reconstruction. Specifically, based on a novel persistent homology analysis showing that the manifold of streaking artifacts is topologically simpler than original ones, a deep residual learning architecture that estimates the streaking artifacts is developed. Once a streaking artifact image is estimated, an artifact-free image can be obtained by subtracting the streaking artifacts from the input image. Using extensive experiments with real patient data set, we confirm that the proposed residual learning provides significantly better image reconstruction performance with several orders of magnitude faster computational speed.

研究の動機と目的

• スパース投影ビューを用いることによってCTの放射線被曝量を削減する動機づけ。
• フル画像ではなくストリークアーティファクトを推定する残差学習CNNの導入。
• 持続的ホモロジーを用いてアーティファクト多様体がトポロジ的により単純であることを示し、学習を助ける。
• マルチスケールU-netアーキテクチャがディテールを保ちながらストリークを効果的に除去することを示す。
• 品質と速度の点で従来のCS-CT法との性能を比較する。

提案手法

• スパースビューCT再構成を残差学習によるアーティファクト除去として定式化する（アーティファクト＝入力画像−全視野画像）。
• 受容野を拡大するために収縮パスと連結を備えたマルチスケールU-net風アーキテクチャを用いる。
• アーティファクトのない画像ではなくストリークアーティファクトを近似するために残差学習を適用する。
• アーティファクト多様体と全視野画像多様体の位相を比較するために持続的ホモロジーを活用する。
• 256x256パッチを用いたパッチベースの訓練データでSGDで訓練し、小さなL2正則化項を使用する。
• 異なる視野数（48, 64, 96, 192）で評価し、PSNRをTVベースCS-CTと比較する。

実験結果

リサーチクエスチョン

• RQ1 残差（アーティファクト）多様体は全画像多様体よりトポロジ的に単純で、学習を促進しますか？
• RQ2 マルチスケール残差学習は、単一スケールや画像学習ベースのアプローチよりもスパースビューCT再構成で優れているか？
• RQ3 提案手法は、単一の訓練済みモデルで、48–192のようなProjection-View数の範囲をまたいで一般化できますか？
• RQ4 本手法は、TVベースの圧縮感知CTと比較して、画像品質を向上させつつ再構成をより高速に行えますか？
• RQ5 視野数間での普遍的な再構成性能に対する訓練データの多様性の影響は？

主な発見

ビュー数	単一スケール画像学習	単一スケール残差学習	マルチスケール画像学習	提案手法
48	31.0027	31.7550	32.5525	33.3916
64	32.1380	32.4456	32.9748	33.8680
96	33.2983	33.3569	33.4728	34.5898
192	33.7693	33.8390	33.7101	34.9028

• 持続的ホモロジー分析は、残差アーティファクト多様体が元の画像多様体よりトポロジ的に単純であることを示している。
• マルチスケール残差学習（U-net風）は、単一スケールの残差学習または画像学習のベースラインよりも良い再構成を得る。
• 提案手法は、48–192ビュー設定全体で他の手法より高いPSNRを達成し、実行時間も大幅に高速である。
• スライスあたり約123 ms、TVベースCS-CT法の約30倍の高速性。
• 混合スパースビューデータで訓練されたネットワークは、48および96ビューを横断して一般化し、幅広いスパースビュー条件で堅牢な性能を発揮する。
• 定量的な結果（PSNR）は、提案手法が各ビュー数で他のアーキテクチャを上回ることを示している。