[論文レビュー] Extreme Few-view CT Reconstruction using Deep Inference

Hyojin Kim, Rushil Anirudh+2 more|arXiv (Cornell University)|Oct 11, 2019

Medical Imaging Techniques and Applications参考文献 11被引用数 4

ひとこと要約

本論文は、極めて少ない投影ビューにおけるCT再構成のための2段階のディープラーニング手法を提案する。まず、スパarsなシノグラムデータから初期画像プライアを生成するCNNベースの推論ネットワークを用い、次にデータ整合性を強制するRLSベースの反復的再構成を実行する。この手法はアーティファクトとノイズを顕著に低減し、特に6〜18ビューの範囲でFBP、RLS、シノグラム補完手法を凌駕する。PSNRでは最大4.5 dBの向上が得られ、SSIMでは0.15以上の向上が見られた。

ABSTRACT

Reconstruction of few-view x-ray Computed Tomography (CT) data is a highly ill-posed problem. It is often used in applications that require low radiation dose in clinical CT, rapid industrial scanning, or fixed-gantry CT. Existing analytic or iterative algorithms generally produce poorly reconstructed images, severely deteriorated by artifacts and noise, especially when the number of x-ray projections is considerably low. This paper presents a deep network-driven approach to address extreme few-view CT by incorporating convolutional neural network-based inference into state-of-the-art iterative reconstruction. The proposed method interprets few-view sinogram data using attention-based deep networks to infer the reconstructed image. The predicted image is then used as prior knowledge in the iterative algorithm for final reconstruction. We demonstrate effectiveness of the proposed approach by performing reconstruction experiments on a chest CT dataset.

研究の動機と目的

• 従来の手法が深刻なアーティファクトとノイズを生じる、極めて少ない投影ビューにおけるCT再構成の過剰に不適切な問題に対処すること。
• ディープラーニングを用いたプライア推定により、低線量または高速スキャンの状況下での画像品質を向上させること。
• 反復的再構成フレームワークにCNNで予測された画像をプライアとして統合することで、測定されたシノグラムとのデータ整合性を確保すること。
• 特に6〜18ビューのような極めて少ないビュー条件において、既存の解析的およびディープラーニングベースの手法を上回ること。
• 低サンプリング領域における知覚的画像プライアと物理ベースの正則化の組み合わせが、アーティファクトとノイズをどれほど低減できるかを示すこと。

提案手法

• CT-Netを改変したCNNベースの推論モデルを用い、1D-2D畳み込みを用いて、極めて少ないビューのシノグラムデータから直接再構成画像を予測する。
• 訓練損失にはL2、SSIM（重み0.7）、および対抗的損失を組み合わせ、知覚的品質と構造的忠実度を向上させる。
• 予測された画像を、測定されたシノグラムとの整合性を保つために、正則化最小二乗法（RLS）反復アルゴリズムの初期推定値として用いる。
• RLSの定式化は、||y - Ax||² + βR(x) であり、R(x)は全変動正則化、βは経験的に2e-2に設定されている。
• 非負制約を適用し、収束まで100イテレーションを実行することで、エッジの保持と高周波数成分の回復を向上させる。
• ダウンサンプリングされた（128×128）胸部CTデータセットを用い、前方投影により3〜18ビューのシノグラムを生成してフレームワークを評価した。

実験結果

リサーチクエスチョン

• RQ1 極めてスパースなシノグラムデータから、ディープCNNベースの推論モデルが高品質な初期画像プライアを生成できるか？
• RQ2 反復的再構成フレームワークに学習された画像プライアを用いることで、標準的な反復的手法と比較して画像品質が向上するか？
• RQ3 非常に少ないビュー数におけるPSNRとSSIMの観点から、本手法はFBP、RLS、シノグラム補完手法と比較してどの程度優れているか？
• RQ4 知覚的学習と物理ベースの正則化の組み合わせが、少ない投影数におけるCT再構成でアーティファクトとノイズをどれほど低減できるか？
• RQ5 6〜18枚の投影数でも、微細な解剖的構造や高周波数の詳細を保持できるか？

主な発見

• 6ビュー再構成において、ベースラインのFBPおよびRLSと比較して、本手法は最大4.5 dBのPSNR向上を達成した。
• 6ビューおよび9ビューにおいて、本手法のSSIM値はすべてのベースラインを0.15以上上回っており、優れた構造的類似性を示している。
• 12ビューにおいて、本手法はRLSを1.2 dBのPSNR向上と0.08のSSIM向上で上回り、低サンプリング領域における一貫した優位性を示した。
• 定性的な結果では、エッジがより鋭く、ノイズが低減されており、FBPやシノグラム補完手法と比較して高周波数の解剖的詳細の保持が顕著に優れている。
• 3〜18ビューの範囲で安定した性能を維持しており、特に極めて少ないビュー条件（例：6ビュー）で最大の改善が観察された。
• 学習された画像プライアの使用により、RLSフレームワークにおける収束が著しく加速し、最終的な再構成品質が向上した。