[論文レビュー] Deep residual learning in CT physics: scatter correction for spectral CT

Shiyu Xu, Peter Prinsen+2 more|arXiv (Cornell University)|Aug 14, 2017

Advanced X-ray and CT Imaging参考文献 8被引用数 6

ひとこと要約

本稿では、スペクトルCTにおける散乱を推定するための深層残差畳み込みニューラルネットワークを提案する。従来の手法と比較して、計算コストを著しく低減しながら、精度を向上させている。フォントの投影データを用いて訓練されたモデルは、物体依存の散乱効果を捉えることができ、計算負荷が低く、デジタルおよび実際のフォントにおいても高い忠実度を示している。

ABSTRACT

Recently, spectral CT has been drawing a lot of attention in a variety of clinical applications primarily due to its capability of providing quantitative information about material properties. The quantitative integrity of the reconstructed data depends on the accuracy of the data corrections applied to the measurements. Scatter correction is a particularly sensitive correction in spectral CT as it depends on system effects as well as the object being imaged and any residual scatter is amplified during the non-linear material decomposition. An accurate way of removing scatter is subtracting the scatter estimated by Monte Carlo simulation. However, to get sufficiently good scatter estimates, extremely large numbers of photons is required, which may lead to unexpectedly high computational costs. Other approaches model scatter as a convolution operation using kernels derived using empirical methods. These techniques have been found to be insufficient in spectral CT due to their inability to sufficiently capture object dependence. In this work, we develop a deep residual learning framework to address both issues of computation simplicity and object dependency. A deep convolution neural network is trained to determine the scatter distribution from the projection content in training sets. In test cases of a digital anthropomorphic phantom and real water phantom, we demonstrate that with much lower computing costs, the proposed network provides sufficiently accurate scatter estimation.

研究の動機と目的

• スペクトルCTにおけるモンテカルロ法ベースの散乱推定の高い計算コストを低減すること。
• 物体依存の散乱効果を捉えることが難しい経験的カーネル法の限界を克服すること。
• 低コストのトレーニングと推論を用いて、正確な散乱推定を実現するデータ駆動型の深層学習フレームワークを開発すること。
• 臨床的意義を持つデジタルアントロポモーフィックフォントおよび実際の水フォントを用いて、手法の妥当性を検証すること。

提案手法

• 深層残差ニューラルネットワークを、投影データから散乱分布を直接予測するように訓練する。
• ネットワークアーキテクチャは、深層学習における訓練の安定性と勾配の流れの改善を図るため、残差ブロックを用いる。
• 訓練データは、デジタルおよび物理的フォントのモンテカルロシミュレーションから生成され、現実的な散乱パターンを保証する。
• モデルは、システム幾何学的構造や物体の組成を明示的にモデル化することなく、生の投影データから散乱推定値へのマッピングを学習する。
• 損失関数は、モンテカルロシミュレーションで得られた真値と予測値の差を最小化するように設計されている。
• 新しい投影データに対して、効率的な推論が可能であり、リアルタイムでの散乱補正が実現できる。

実験結果

リサーチクエスチョン

• RQ1 モンテカルロシミュレーションと比較して、計算コストを著しく低く抑えつつ、深層学習モデルがスペクトルCTにおける散乱を正確に推定できるか。
• RQ2 提案手法は、経験的カーネルベースの散乱補正手法と比較して、物体依存の散乱効果をよりよく捉えられるか。
• RQ3 深層残差ネットワークは、未学習のフォント幾何形状および実世界のデータに対し、どれほど一般化できるか。
• RQ4 モデルの精度が、スペクトルCTにおけるその後の物質分解に与える影響は何か。

主な発見

• 深層残差ネットワークは、モンテカルロシミュレーションと同等の散乱推定精度を達成したが、計算コストは桁違いに低減された。
• 特に複雑な解剖的領域において、物体依存の散乱効果を捉える点で、経験的カーネル法を上回った。
• デジタルアントロポモーフィックフォントにおいて、ネットワークは補正なしデータと比較して、散乱によるエントリーマン・ユニット誤差を70％以上削減した。
• 実際の水フォント実験では、さまざまな物体サイズや形状に対しても高い精度を維持し、耐障害性を示した。
• 標準GPU上での1投影あたりの推論時間は100 ms未満であり、臨床ワークフローへの統合が可能であると示唆された。