[論文レビュー] Dual-energy CT imaging from single-energy CT data with material decomposition convolutional neural network

Tianling Lyu, Zhan Wu+4 more|arXiv (Cornell University)|May 30, 2020

Advanced X-ray and CT Imaging参考文献 38被引用数 4

ひとこと要約

本論文は、1つの完全スキャンされた低エネルギーCTスキャンと1つの高エネルギー投影ビューから、高品質なデュアルエネルギーCT（DECT）画像を再構築するための深層学習手法、FLESH-DECTを提案する。解剖学的整合性とエネルギードメイン相関を、物質分解畳み込みニューラルネットワーク（MD-CNN）を用いて活用することで、放射線被線量を低減し、ハードウェア要件を簡素化した正確なDECT画像再構築が可能となり、標準DECTと同等の優れた画像品質が得られた。

ABSTRACT

Dual-energy computed tomography (DECT) is of great significance for clinical practice due to its huge potential to provide material-specific information. However, DECT scanners are usually more expensive than standard single-energy CT (SECT) scanners and thus are less accessible to undeveloped regions. In this paper, we show that the energy-domain correlation and anatomical consistency between standard DECT images can be harnessed by a deep learning model to provide high-performance DECT imaging from fully-sampled low-energy data together with single-view high-energy data, which can be obtained by using a scout-view high-energy image. We demonstrate the feasibility of the approach with contrast-enhanced DECT scans from 5,753 slices of images of twenty-two patients and show its superior performance on DECT applications. The deep learning-based approach could be useful to further significantly reduce the radiation dose of current premium DECT scanners and has the potential to simplify the hardware of DECT imaging systems and to enable DECT imaging using standard SECT scanners.

研究の動機と目的

• ハードウェアの改造なしに、標準的な単一エネルギーCT（SECT）スキャナを用いて高性能なデュアルエネルギーCT（DECT）画像再構築を可能にすること。
• 高エネルギー投影データを1ビューにまで削減することで、DECTにおける被線量を低減すること。
• 深層学習を用いて低エネルギーと高エネルギーCT画像間の解剖学的整合性とエネルギードメイン相関を活用すること。
• 専用のDECTスキャナを必要とせず、仮想非対照画像やヨウ素マップなどの物質特異的画像を生成すること。
• 高価なDECTシステムにアクセスが制限される臨床現場におけるDECTの実装を簡素化すること。

提案手法

• ノイズ低減畳み込みニューラルネットワーク（CNN）を低エネルギーCT画像に適用し、物質分解の前にノイズを低減する。
• 物質分解CNN（MD-CNN）を訓練し、低エネルギー画像から基準物質分解マップを推定することで、任意のエネルギーレベルでの高エネルギー画像の再構築を可能にする。
• 測定された1ビュー分の高エネルギー投影に一致するように制約を課した投影ベクトルをバックプロジェクションすることで、高エネルギー画像を予測する。
• 予測された高エネルギー画像と測定された1つの高エネルギー投影間に整合性を保つため、投影ドメインのCNNを用いる。
• 100 kV/Sn 140 kVスキャンプロトコルを用い、22名の患者から得た5,753スライスを対象に、エンドツーエンドで学習する。
• ネットワークと投影演算子をボリュメトリックデータに適応することで、3次元幾何構造への応用が可能となる。

実験結果

リサーチクエスチョン

• RQ1 1つの完全スキャンされた低エネルギーCTと1つの高エネルギー投影ビューから、高品質なDECT画像を再構築できるか？
• RQ2 深層学習がエネルギードメイン相関と解剖学的整合性を効果的に活用することで、従来のDECTハードウェアを置き換えられるか？
• RQ3 診断用画像品質を維持したまま、どの程度被線量を低減できるか？
• RQ4 本手法は、専用のDECTスキャナを必要とせず、仮想非対照画像やヨウ素定量マップなどの正確な物質特異的画像を生成できるか？
• RQ5 異なるスキャンプロトコルや画像撮影プロトコルに適用した場合、本手法の頑健性はどの程度か？

主な発見

• FLESH-DECT手法は、1つの高エネルギー投影ビューのみを用いて高精細なDECT画像再構築を達成し、標準DECTと比較して顕著に被線量を低減した。
• 臨床的対照増強スキャンを用いた検証により、仮想非対照画像とヨウ素定量画像が標準DECTと同等の診断品質を達成した。
• MD-CNNは100 kV画像から正確な物質分解マップを生成し、再トレーニングなしにさまざまなエネルギーレベル（例：120 kV、150 kV）での高エネルギー画像の合成を可能にした。
• 希釈投影データでも、従来の再構築手法と比較して優れたノイズ抑制とアーチファクト低減効果を示した。
• 1つの高エネルギー投影がスカウトビュー走査で取得可能であるため、本手法は既存のSECTスキャナと互換性がある。
• プロトコルの不一致に対してモデルの性能が敏感であったが、異なるプロトコルで再トレーニングすることでこの制限を克服できた。