[論文レビュー] Framing U-Net via Deep Convolutional Framelets: Application to Sparse-view CT

Yoseob Han, Jong Chul Ye|arXiv (Cornell University)|Aug 28, 2017

Medical Imaging Techniques and Applications参考文献 46被引用数 32

ひとこと要約

本稿では、深層畳み込みフレームレット理論におけるフレーム条件を満たす二重フレームおよびタイトフレームU-Netアーキテクチャを提案し、スパarsely viewed CT再構成における高周波数エッジの回復を向上させる。U-Netに追加のスキップ接続または直交ウェーブレットパスを適用することで、ぼやけやスタイリングアーティファクトを低減し、標準U-NetやAAPMコンテスト優勝手法と比較して、実患者データにおいて優れたPSNR（40.51 dB）およびSSIM（0.943）を達成した。

ABSTRACT

X-ray computed tomography (CT) using sparse projection views is a recent approach to reduce the radiation dose. However, due to the insufficient projection views, an analytic reconstruction approach using the filtered back projection (FBP) produces severe streaking artifacts. Recently, deep learning approaches using large receptive field neural networks such as U-Net have demonstrated impressive performance for sparse- view CT reconstruction. However, theoretical justification is still lacking. Inspired by the recent theory of deep convolutional framelets, the main goal of this paper is, therefore, to reveal the limitation of U-Net and propose new multi-resolution deep learning schemes. In particular, we show that the alternative U- Net variants such as dual frame and the tight frame U-Nets satisfy the so-called frame condition which make them better for effective recovery of high frequency edges in sparse view- CT. Using extensive experiments with real patient data set, we demonstrate that the new network architectures provide better reconstruction performance.

研究の動機と目的

• 標準U-Netがスパarsely viewed CT再構成において、フレーム条件を満たさないためにぼやけが生じるという限界を解決すること。
• ハンケル行列分解を通じてU-Netと圧縮センシングを結びつけることで、深層畳み込みフレームレット理論を用いた深層学習ベースのCT再構成を理論的に裏付けること。
• フレーム条件を満たす新たなU-Net変種、すなわち二重フレームU-NetおよびタイトフレームU-Netを考案し、高周波数成分の回復を向上させること。
• 既存の深層学習および圧縮センシング手法と比較して、特に病変検出およびアーティファクト低減において、実患者データで優れた性能を示すことを実証すること。

提案手法

• 低解像度パスにバイパス接続を追加して残差信号を生成することで、二重フレームU-Netを提案し、フレーム条件の満たし方を保証する。
• 直交ウェーブレットフレーム（例：ハールウェーブレット）を用いたタイトフレームU-Netを導入し、追加の高周波数パスを備えることで、ノイズ耐性および方向性感受性を向上させる。
• 深層畳み込みフレームレットフレームワークをCT再構成に適応させ、エンコーダ-デコーダ構造がハンケル行列分解から導かれるようにする。
• フレーム条件を理論的制約として用い、特に高周波数エッジの安定的かつ効果的な信号再構成を保証する。
• 特徴変換に平均プーリングと一般化逆行列を用い、フレームレット分解における数学的整合性を確保する。
• 理論的分析と実スパarsely viewed CTデータを用いた数値実験を通じて、フレーム条件の満たし方を検証する。

実験結果

リサーチクエスチョン

• RQ1 標準U-Netアーキテクチャは、スパarsely viewed CTにおける安定した逆問題解法に必要なフレーム条件を満たしているか？
• RQ2 深層学習アーキテクチャをどのように変更すれば、ぼやけを最小限に抑えながらスパarsely viewed CTにおける高周波数エッジをよりよく回復できるか？
• RQ3 二重フレームおよびタイトフレームU-Net変種は、実患者データにおけるPSNR、SSIM、および病変検出精度において標準U-Netを上回る性能を示せるか？
• RQ4 フレーム条件は、低線量・スパarsely viewed CTにおけるノイズ増幅および再構成忠実度にどのように影響するか？
• RQ5 ウェーブレットベースのフレーム構造は、標準U-Netと比較して、CT画像再構成における耐性および方向性感受性を向上させられるか？

主な発見

• 提案されたタイトフレームU-Netは、90ビューのフル線量スパarsely viewed CT再構成において、PSNR 40.5091 dB、SSIM 0.9434を達成し、非局所平均法（34.03 dB、0.8389）およびAAPM-Net（38.35 dB、0.8872）を上回った。
• 二重フレームU-Netはフレーム条件を満たしており、ぼやけアーティファクトを低減したが、タイトフレームバージョンと比較してノイズ増幅が顕著に高かった。
• タイトフレームU-Netは、スパarsely viewedからのスタイリングアーティファクトおよび低線量ノイズの両方を効果的に除去し、四分の一線量画像においても明確な病変検出を可能にした。
• 病変検出性能は、非局所平均法やAAPM-Netがぼやけにより病変領域を回復できなかったのに対し、タイトフレームU-Netが顕著に優れていた。
• 理論的分析により、標準U-Netがフレーム条件を満たさないことが確認され、低周波成分に過剰に重みが置かれて高周波成分の回復が不十分になることが判明した。
• 特にグローバルなスタイリングアーティファクトの処理において、直交ウェーブレットフレームの組み込みにより、提案アーキテクチャは耐性および方向性感受性が向上した。