[論文レビュー] Dense Dilated UNet: Deep Learning for 3D Photoacoustic Tomography Image Reconstruction

Steven Guan, Ko-Tsung Hsu+2 more|arXiv (Cornell University)|Apr 7, 2021

Photoacoustic and Ultrasonic Imaging参考文献 45被引用数 13

ひとこと要約

本論文では、疎で限られた視野のデータからの3次元光音響トモグラフィー（PAT）画像再構成を改善するために、密接接続と拡張畳み込みを組み合わせた深層学習アーキテクチャ、Dense Dilated UNet（DD-UNet）を提案する。この手法はストリークアーチファクトを顕著に低減し、微細な特徴の回復を向上させ、構造的類似度指標において完全に密なUNet（Fully Dense UNet）を上回る性能を発揮する。

ABSTRACT

In photoacoustic tomography (PAT), the acoustic pressure waves produced by optical excitation are measured by an array of detectors and used to reconstruct an image. Sparse spatial sampling and limited-view detection are two common challenges faced in PAT. Reconstructing from incomplete data using standard methods results in severe streaking artifacts and blurring. We propose a modified convolutional neural network (CNN) architecture termed Dense Dilation UNet (DD-UNet) for correcting artifacts in 3D PAT. The DD-Net leverages the benefits of dense connectivity and dilated convolutions to improve CNN performance. We compare the proposed CNN in terms of image quality as measured by the multiscale structural similarity index metric to the Fully Dense UNet (FD-UNet). Results demonstrate that the DD-Net consistently outperforms the FD-UNet and is able to more reliably reconstruct smaller image features.

研究の動機と目的

• 疎な空間サンプリングと限られた視野での検出によって引き起こされる、ストリークアーチファクトやぼやけの深刻な画像アーチファクトを解消すること。
• 深層学習を用いて3次元PAT画像における微細な構造的詳細の再構成を改善すること。
• 不完全なデータの状況下で特徴学習とコンテキスト集約を強化する、新たなCNNアーキテクチャの開発。
• 3次元PATにおける画像品質指標で、既存のアーキテクチャ（例：Fully Dense UNet（FD-UNet））を上回ること。

提案手法

• DD-UNetは、すべての密なブロックを貫いて特徴の再利用と勾配の流れを促進するため、密接接続を採用している。
• 感受野を拡大するため、パラメータ数の増加や解像度の低下を伴わずに、拡張畳み込みを統合している。
• エンコーダ・デコーダ構造にスキップ接続を組み合わせ、アップサンプリング中に空間情報を保持している。
• 密なブロックは、すべての前の層からの特徴マップを連結することで積み重ねられ、特徴の伝搬を強化している。
• 再構成誤差を最小化するため、教師あり損失関数を用いてエンドツーエンドで訓練されている。
• モデルは、既知の真値を有する3次元PATデータ上で評価されており、主な指標としてマルチスケール構造的類似度（MS-SSIM）が用いられている。

実験結果

リサーチクエスチョン

• RQ1 疎で限られた視野のデータからの3次元PAT再構成において、深層学習モデルがストリークアーチファクトを効果的に低減できるか。
• RQ2 密接接続と拡張畳み込みの統合が、3次元PATにおける微細な解剖的特徴の回復を向上させるか。
• RQ3 DD-UNetは、画像品質と構造的忠実度の観点から、完全に密なUNet（Fully Dense UNet）と比較してどのように異なるか。
• RQ4 提案されたアーキテクチャは、PATにおけるさまざまなレベルのデータ不完全性に一般化可能か。

主な発見

• DD-UNetは、すべてのテストされたデータ条件において、完全に密なUNet（Fully Dense UNet）よりも一貫して高いマルチスケール構造的類似度（MS-SSIM）スコアを達成している。
• モデルは、標準的な再構成手法でしばしばぼやけたり消失したりする微細な画像特徴の再構成において、優れた能力を示している。
• 拡張畳み込みの使用により、ダウンサンプリングを伴わずに、より大きな感受野でのコンテキスト集約が効果的に行える。
• 密接接続は特徴学習を強化し、トレーニングの安定性を向上させ、より信頼性の高い再構成を実現している。
• 特に信号対雑音比が低い領域において、DD-UNetはベースラインのFD-UNetよりもストリークアーチファクトをより効果的に低減している。
• 極度のデータ疎らかさの下でも、アーキテクチャは高い画像忠実度を維持し、頑健な性能を示している。