[論文レビュー] Dual-energy CT imaging using a single-energy CT data is feasible via deep learning

Wei Zhao, Tianling Lv+7 more|arXiv (Cornell University)|Jun 12, 2019

Advanced X-ray and CT Imaging参考文献 23被引用数 12

ひとこと要約

本論文では、2段階の畳み込みニューラルネットワーク（CNN）を用いて、単エネルギーCT（SECT）データからデュアルエネルギーCT（DECT）画像を生成する深層学習手法を提案する。まず低エネルギー画像のノイズ除去を行い、その後、平均二乗誤差損失を用いてU-NetベースのDECT-CNNで高エネルギー画像の差分を予測することで、高い精度が達成された。ヒューマンユニット（HU）差は3.5 HU未満であり、ヨウ素定量測定の整合性は元のDECTスキャンと0.9%以内であった。

ABSTRACT

In a standard computed tomography (CT) image, pixels having the same Hounsfield Units (HU) can correspond to different materials and it is, therefore, challenging to differentiate and quantify materials. Dual-energy CT (DECT) is desirable to differentiate multiple materials, but DECT scanners are not widely available as single-energy CT (SECT) scanners. Here we develop a deep learning approach to perform DECT imaging by using standard SECT data. A deep learning model to map low-energy image to high-energy image using a two-stage convolutional neural network (CNN) is developed. The model was evaluated using patients who received contrast-enhanced abdomen DECT scan with a popular DE application: virtual non-contrast (VNC) imaging and contrast quantification. The HU differences between the predicted and original high-energy CT images are 3.47, 2.95, 2.38 and 2.40 HU for ROIs on the spine, aorta, liver, and stomach, respectively. The HU differences between VNC images obtained from original DECT and deep learning DECT are 4.10, 3.75, 2.33 and 2.92 HU for the 4 ROIs, respectively. The aorta iodine quantification difference between iodine maps obtained from original DECT and deep learning DECT images is 0.9\%, suggesting high consistency between the predicted and the original high-energy CT images. This study demonstrates that highly accurate DECT imaging with single low-energy data is achievable by using a deep learning approach. The proposed method can significantly simplify the DECT system design, reducing the scanning dose and imaging cost.

研究の動機と目的

• ハードウェアの複雑さとコストのため、臨床現場でデュアルエネルギーCT（DECT）スキャナが単エネルギーCT（SECT）スキャナほど広く利用されていないという課題を克服すること。
• 標準的なSECTデータのみを用いてDECTに類似した画像を生成することで、被曝線量とシステムの複雑さを低減すること。
• 材料分解応用のため、低エネルギーCT入力から高エネルギーCT画像を正確に予測する深層学習モデルの開発。
• 仮想非対照（VNC）画像化とヨウ素定量測定という主なDECT応用分野における本手法の性能を評価すること。
• 入力画像と予測画像間のノイズ相関が、材料特異的マップにおけるノイズ低減に寄与し、画像品質向上に寄与することを示すこと。

提案手法

• 2段階の深層学習パイプラインを用いる：まず、ResNetに基づく専用のCNNが、低エネルギーおよび高エネルギーSECT画像のノイズを除去し、ノイズ低減版 $I_{LD}$ と $I_{HD}$ を生成する。
• 2番目のCNNであるDECT-CNNは、ノイズ低減された低エネルギー画像 $I_{LD}$ から差分画像 $I_{\text{diff}} = I_{HD} - I_{LD}$ を予測するように学習され、平均二乗誤差（MSE）損失が用いられる。
• 予測された高エネルギー画像は $I_{\text{pred}} = I_L + I_{\text{diff}}$ で計算され、ここで $I_L$ は元の低エネルギー画像を表す。
• DECT-CNNは、大きな受容 field を有し、高分解能の空間的詳細を保持できるため、U-Netアーキテクチャを採用している。
• モデルは、16例の患者ボリュームから得た4,949枚の画像スライスを用いて学習され、6例分が検証およびテストに使用された。
• 材料分解は、統計的に最適な画像ドメインアルゴリズムを用いて、元の画像および予測DECT画像から仮想非対照（VNC）画像とヨウ素マップを生成した。

実験結果

リサーチクエスチョン

• RQ1 1段階の低エネルギーCTスキャンから、深層学習モデルがDECTに類似した画像品質を達成する高エネルギーCT画像を正確に予測できるか？
• RQ2 本手法は、脊椎、大動脈、肝臓、胃などの解剖的構造について、元のDECTと比較してHUの正確性に優れているか？
• RQ3 本手法は、仮想非対照（VNC）画像化とヨウ素定量測定において、どの程度の正確性を維持しているか？
• RQ4 入力の低エネルギー画像と予測された高エネルギー画像間のノイズ相関が、導出された材料特異的画像におけるノイズ低減に寄与するか？
• RQ5 本手法は、標準DECTと比較して、ヨウ素定量測定において高い一貫性を維持しているか？

主な発見

• 予測された高エネルギーCT画像と元の高エネルギーCT画像とのHU差は、脊椎で3.47 HU、大動脈で2.95 HU、肝臓で2.38 HU、胃で2.40 HUであった。
• 元のDECTと深層学習ベースのDECTとの間での仮想非対照（VNC）画像におけるHU差は、脊椎で4.10 HU、大動脈で3.75 HU、肝臓で2.33 HU、胃で2.92 HUであった。
• 元のDECTと深層学習ベースのDECTとの間で大動脈のヨウ素定量差はたったの0.9%であり、造影剤測定の高い整合性を示している。
• 深層学習ベースのDECT手法は、予測プロセスにおけるノイズ相関のおかげで、元のDECTと比較してVNC画像とヨウ素マップのノイズレベルが顕著に低減された。
• ノイズ低減画像で学習したモデルが優れた性能を示したため、正確な画像差分予測にはノイズ低減が不可欠であることが確認された。
• 本手法は、最小限の正確性の損失で高品質な材料分解を可能にし、灌流画像、血管造影、尿路結石の特徴特定などの臨床的応用において実用的であると示唆している。