[論文レビュー] DuDoNet: Dual Domain Network for CT Metal Artifact Reduction

Wei-An Lin, Haofu Liao+6 more|arXiv (Cornell University)|Jun 29, 2019

Advanced X-ray and CT Imaging参考文献 33被引用数 21

ひとこと要約

DuDoNet は、金属インプラントに起因するアーチファクトを低減するために、同時に CT 画像の向上とシンチグラムの修復を実現するエンドツーエンドの二領域ディープラーニングフレームワークです。微分可能ラドン逆投影層（RIL）とラドン整合性損失を導入することで、画像領域からシンチグラム領域への勾配の逆伝播を可能にし、二次的アーチファクトを顕著に低減するとともに、単一領域手法に比べてアーチファクト低減と詳細回復性能で優れています。

ABSTRACT

Computed tomography (CT) is an imaging modality widely used for medical diagnosis and treatment. CT images are often corrupted by undesirable artifacts when metallic implants are carried by patients, which creates the problem of metal artifact reduction (MAR). Existing methods for reducing the artifacts due to metallic implants are inadequate for two main reasons. First, metal artifacts are structured and non-local so that simple image domain enhancement approaches would not suffice. Second, the MAR approaches which attempt to reduce metal artifacts in the X-ray projection (sinogram) domain inevitably lead to severe secondary artifact due to sinogram inconsistency. To overcome these difficulties, we propose an end-to-end trainable Dual Domain Network (DuDoNet) to simultaneously restore sinogram consistency and enhance CT images. The linkage between the sigogram and image domains is a novel Radon inversion layer that allows the gradients to back-propagate from the image domain to the sinogram domain during training. Extensive experiments show that our method achieves significant improvements over other single domain MAR approaches. To the best of our knowledge, it is the first end-to-end dual-domain network for MAR.

研究の動機と目的

• CT 画像における構造的で非局所的な金属アーチファクトを低減するための単一領域手法の限界を解消すること。
• 従来のシンチグラム領域補正手法におけるシンチグラム整合性の欠如に起因する二次的アーチファクトの問題を克服すること。
• 画像とシンチグラムの修復をエンドツーエンド学習により共同最適化可能にし、領域間を貫く勾配伝播を実現すること。
• 小規模な金属インプラントの性能を向上させるために、シンチグラム精錬ネットワークにおけるマルチスケールマスク情報の保持を可能にすること。
• ペアの金属フリー画像を必要とせず、金属フリーのシンチグラム、CT 画像、金属マスクのみで学習可能な汎用的で実用的なフレームワークの開発を目的とすること。

提案手法

• ネットワークは3つのコンponentから構成される：シンチグラム強化ネットワーク（SE-Net）、ラドン逆投影層（RIL）、画像強化ネットワーク（IE-Net）。
• SE-Net は、複数スケールでの細粒度な金属マスク情報の保持を可能にするマスクピラミッド U-Net アーキテクチャを採用し、小規模インプラントの性能向上に寄与する。
• RIL により、微分可能なフィルタードバックプロジェクションが実現され、学習中に画像領域からシンチグラム領域への勾配伝播が可能になる。
• ラドン整合性（RC）損失が導入され、画像領域の監視情報を活用し、RIL を介して勾配を逆伝播させることで、二次的アーチファクトをペナルティ化する。
• IE-Net は残差学習を実行し、最終的な CT 画像の精錬を図り、構造的詳細の強化と残存アーチファクトの低減を実現する。
• フレームワークは、ペアの金属フリー画像を必要とせず、金属フリーのシンチグラム、対応する CT 画像、金属トレースマスクのみを用いてエンドツーエンドで学習される。

(a) CT with metal artifacts

実験結果

リサーチクエスチョン

• RQ1 シンチグラム領域と画像領域の両方で共同最適化することで、単一領域手法に比べて優れた金属アーチファクト低減が達成できるか？
• RQ2 画像領域からシンチグラム領域への勾配伝播を効果的に確立することで、物理的整合性を強制できるか？
• RQ3 マルチスケールマスクピラミッドアーキテクチャは、特に小規模な金属インプラントにおいてシンチグラム精錬を向上させられるか？
• RQ4 微分可能なラドン逆投影層は、CT 再構成のためのエンドツーエンド学習を可能にする二領域ネットワークの構築にどの程度貢献できるか？
• RQ5 真値シンチグラムを必要とせず、ラドン整合性損失が二次的アーチファクトを効果的に抑制できるか？

主な発見

• DuDoNet は、実際の患者 CT スキャンにおいて、CNNMAR や cGAN-CT といった単一領域手法に比べて、最先端の金属アーチファクト低減性能を達成している。
• 実データにおける可視的比較により、ストリークアーチファクトやシャドウアーチファクトが効果的に低減され、微細な解剖学的詳細が保持されていることが示された。
• SE-Net におけるマスクピラミッド U-Net の使用により、従来のネットワークが重要な構造的情報を失いがちな小規模インプラントにおいても性能が向上した。
• ラドン整合性損失は、画像領域の監視情報を活用し、RIL を介して勾配を逆伝播させることで、二次的アーチファクトを効果的にペナルティ化した。
• DuDoNet は、ペアの金属フリー画像を学習に必要とせず、金属フリーのシンチグラム、CT 画像、金属マスクのみに依存するため、実用性が著しく向上した。
• 数百例に及ぶ患者スキャンを用いた広範な評価から、二領域アプローチが従来手法に比べてより一貫性があり、診断的に信頼性の高い CT 画像を提供することが確認された。

(b) RDN 3 3 3 The residual dense network (RDN) proposed in [ 32 ] without up-scaling layers. [ 32 ]