[論文レビュー] Dual-domain Attention-based Deep Network for Sparse-view CT Artifact Reduction

Xiang Gao, Ting Su+8 more|arXiv (Cornell University)|Mar 17, 2022

Medical Imaging Techniques and Applications被引用数 4

ひとこと要約

本稿では、スパarselyビューCT再構成におけるストリークアーティファクトを低減するために、CT画像とシノグラムを共同で処理するエンドツーエンドのデュアルドメインアテンションベースの深層学習ネットワークDDANetを提案する。特徴量を専用のアテンションモジュールで統合することで、DDANetは優れたアーティファクト抑制と構造的保存性能を達成し、微調整を実データで行わずとも、数値実験、アントロポモーフィック・フォントム、および生体実験において最先端の手法を上回る性能を発揮する。

ABSTRACT

Due to the wide applications of X-ray computed tomography (CT) in medical imaging activities, radiation exposure has become a major concern for public health. Sparse-view CT is a promising approach to reduce the radiation dose by down-sampling the total number of acquired projections. However, the CT images reconstructed by this sparse-view imaging approach suffer from severe streaking artifacts and structural information loss. In this work, an end-to-end dual-domain attention-based deep network (DDANet) is proposed to solve such an ill-posed CT image reconstruction problem. The image-domain CT image and the projection-domain sinogram are put into the two parallel sub-networks of the DDANet to independently extract the distinct high-level feature maps. In addition, a specified attention module is introduced to fuse the aforementioned dual-domain feature maps to allow complementary optimizations of removing the streaking artifacts and mitigating the loss of structure. Numerical simulations, anthropomorphic thorax phantom and in vivo pre-clinical experiments are conducted to verify the sparse-view CT imaging performance of the DDANet. Results demonstrate that this newly developed approach is able to robustly remove the streaking artifacts while maintaining the fine structures. As a result, the DDANet provides a promising solution in achieving high quality sparse-view CT imaging.

研究の動機と目的

• スパarselyビューCTにおける深刻なストリークアーティファクトと構造的損失の課題に対処すること。これは、投影データが減少することで生じ、低線量イメージングの応用を制限する要因である。
• 画像またはシノグラムデータのみを別々に処理する単一ドメインの深層学習手法の限界を克服すること。
• 画像ドメインと投影ドメインの両方からの補完的情報を活用するデュアルドメインネットワークを構築し、再構成品質を向上させること。
• 両ドメインからのマルチレベル特徴量を効果的に統合するアテンションメカニズムを設計し、アーティファクト低減と構造的忠実性の両方を向上させること。
• 微調整を実データで行わず、数値シミュレーション、人体に類似したフォントム、および生体前臨床実験の多様なデータセット上で、本手法を検証すること。

提案手法

• CT画像ドメインとシノグラムドメインの両方から高レベル特徴量を並列に抽出するために、デュアルブランチU-Netアーキテクチャが用いられる。
• シノグラムドメインブランチでは、アトリウス空間的プールィング（ASPP）モジュールを介して、多様な受容野の文脈的情報を捉えるために全結合層を適用する。
• 独自に開発したデュアルドメインアテンションモジュールが、両ブランチからの特徴量を統合し、アーティファクト低減と構造的保存の補完的最適化を可能にする。
• 両サブネットワークで受容領域を拡大し、特徴表現を強化するために、拡張畳み込み（dilated convolutions）が適用される。
• L1損失と知覚的損失を組み合わせた損失関数を用いて、エンドツーエンドでネットワークを学習させ、構造的詳細の保持とアーティファクト低減を両立する。
• 両ドメイン間の変換を可能にするために、特徴量のアライメントを図るために全結合層を介してシノグラム空間と画像空間の間で変換が行われる。

実験結果

リサーチクエスチョン

• RQ1 CT画像とシノグラムを共同で処理するデュアルドメインの深層学習フレームワークは、単一ドメイン手法に比べ、スパarselyビューCTにおけるストリークアーティファクト低減で優れた性能を発揮できるか？
• RQ2 画像ドメインと投影ドメインからの補完的情報を統合するアテンションベースの特徴量統合メカニズムは、再構成品質の向上にどの程度有効であるか？
• RQ3 提案されたDDANetは、低線量・スパarselyビューCTイメージングにおいて、細かな解剖的構造を保持しながらアーティファクトを効果的に抑制できるか？
• RQ4 数値シミュレーションで学習したDDANetモデルは、実際のフォントムおよび生体実験データに直接適用した場合、どの程度一般化可能か？
• RQ5 従来の反復的手法および深層学習手法と比較して、デュアルドメインアテンションメカニズムは、画像分解能およびモード分離関数（MTF）を向上させることができるか？

主な発見

• DDANetは、数値シミュレーション、人体に類似したチリオグラムフォントム、および生体マネキュウ頭部スキャンという、すべてのテストモダリティにおいて、スパarselyビューCT再構成におけるストリークアーティファクトを顕著に低減し、FBP、TV、および他の深層学習ベースラインを上回る性能を示した。
• 視覚的比較において、DDANetはTV や FrameUnet といった手法よりも細かな構造的詳細をよりよく保持しており、アーティファクト低減はしているものの画像がぼやける傾向にある他の手法と比較して優位性を示した。
• 定量的MTF解析により、DDANetはFBP や TV よりも高い空間分解能を維持していることが確認された。フルビューFBPと比較してわずかに劣化する程度であり、高周波数成分の保持が良好であることを示している。
• 実験データに対して微調整なしに安定した性能を発揮したため、シミュレーションデータからの学習による一般化性能が優れていることが示された。
• アブレーションスタディにより、デュアルドメインアテンションモジュールの有効性および、ASPPや拡張畳み込みなどの各コンponentの貢献度が確認された。
• すべての評価設定において、視覚的品質と定量的指標（例：SSIM、PSNR、RMSE）の両面で一貫した優位性が示された。