[論文レビュー] Deep Sinogram Completion with Image Prior for Metal Artifact Reduction in CT Images

Lequan Yu, Zhicheng Zhang+2 more|arXiv (Cornell University)|Sep 16, 2020

Advanced X-ray and CT Imaging参考文献 39被引用数 4

ひとこと要約

本論文は、CTスキャンにおける金属アーチファクトを低減するために、画像ドメインとシノグラムドメインを同時に学習する深層学習フレームワークを提案する。残留学習と微分可能な前方投影を用いて、事前画像生成ネットワーク（PriorNet）とシノグラム補完ネットワーク（SinoNet）をエンドツーエンドで訓練することで、最先端の手法と比較して、アーチファクト低減が顕著に改善され、構造的保持性が向上したCT画像を生成する。

ABSTRACT

Computed tomography (CT) has been widely used for medical diagnosis, assessment, and therapy planning and guidance. In reality, CT images may be affected adversely in the presence of metallic objects, which could lead to severe metal artifacts and influence clinical diagnosis or dose calculation in radiation therapy. In this paper, we propose a generalizable framework for metal artifact reduction (MAR) by simultaneously leveraging the advantages of image domain and sinogram domain-based MAR techniques. We formulate our framework as a sinogram completion problem and train a neural network (SinoNet) to restore the metal-affected projections. To improve the continuity of the completed projections at the boundary of metal trace and thus alleviate new artifacts in the reconstructed CT images, we train another neural network (PriorNet) to generate a good prior image to guide sinogram learning, and further design a novel residual sinogram learning strategy to effectively utilize the prior image information for better sinogram completion. The two networks are jointly trained in an end-to-end fashion with a differentiable forward projection (FP) operation so that the prior image generation and deep sinogram completion procedures can benefit from each other. Finally, the artifact-reduced CT images are reconstructed using the filtered backward projection (FBP) from the completed sinogram. Extensive experiments on simulated and real artifacts data demonstrate that our method produces superior artifact-reduced results while preserving the anatomical structures and outperforms other MAR methods.

研究の動機と目的

• 診断の正確性や治療計画の質を損なう深刻な金属アーチファクトの問題に対処すること。
• 従来のシノグラム補間法や事前画像ベース手法の限界を乗り越えるために、深層学習と物理モデリングを統合すること。
• 一般化可能でエンドツーエンドで訓練可能なフレームワークを構築し、事前画像生成とシノグラム補完を同時に最適化することで、アーチファクト低減を向上させること。
• 残留学習と微分可能な前方投影を活用することで、解剖的構造を保持し、新たなアーチファクトを低減すること。

提案手法

• 本フレームワークは、金属に汚染されたCTスキャンから事前画像を生成するための深層ニューラルネットワーク（PriorNet）と、事前画像をガイドとして用いて汚染されたシノグラムを補完するSinoNetの2つのネットワークを採用する。
• 金属領域内での投影を精錬するために、腐敗したシノグラムと真値シノグラムの差分を学習する、新しい残留シノグラム学習戦略を設計する。
• 微分可能な前方投影操作を用いて、PriorNetとSinoNetの間で相互に最適化が可能となるように、エンドツーエンドでフレームワーク全体を訓練する。
• 欠損データの代替として、事前画像の前方投影を用いてシノグラム補完を実行し、連続性を向上させ、境界アーチファクトを低減する。
• 完成したシノグラムからフィルターバックプロジェクション（FBP）を用いて最終的なアーチファクト低減CT画像を再構築し、解剖的忠実性を維持する。
• 訓練は、臨床的CTスキャンに合成金属マスクを適用して前方投影により生成された、シミュレートされた金属アーチファクトデータ上で実施する。

実験結果

リサーチクエスチョン

• RQ1 画像ドメインとシノグラムドメインにおける連合学習は、単一ドメインアプローチと比較して、金属アーチファクト低減性能を向上させることができるか？
• RQ2 残留学習戦略は、金属影響領域内のシノグラム投影の精錬にどの程度有効であるか？
• RQ3 微分可能な前方投影を用いたエンドツーエンド訓練により、事前画像生成とシノグラム補完の間の連携が向上するか？
• RQ4 事前画像の品質が、シノグラム補完の正確性および最終的画像再構築の精度にどの程度影響を与えるか？
• RQ5 合成データで訓練されたフレームワークは、実臨床CTスキャンにおける金属アーチファクトに一般化可能か？

主な発見

• 提案手法は、定性的および定量的評価の両面で、既存の最先端MAR手法を上回り、ストリークアーチファクトが低減され、構造的保持性が向上したより明確な画像を生成する。
• SinoNetにおける残留学習の活用は、金属付近の高周波成分領域におけるシノグラム補完の正確性を顕著に向上させる。
• 微分可能な前方投影を用いた連合訓練により、PriorNetとSinoNetが相互に改善し合い、より正確で一貫性のあるシノグラム予測が可能になる。
• 完成したシノグラムからFBPで再構築された画像は、解剖的詳細を保持しており、純粋に画像ドメインに特化した深層学習手法でよく見られる解像度損失を回避する。
• シミュレート済みおよび実際の模擬データを用いた広範な実験から、合成データで訓練されたにもかかわらず、臨床応用の強力な可能性が示された。
• 不完全な金属マスクセグメンテーションに対しても、本フレームワークは頑健であることが示され、実臨床ワークフローにおける実用的妥当性が示唆される。