[論文レビュー] Generative Adversarial Network-Based Sinogram Super-Resolution for Computed Tomography Imaging

Chao Tang, Wenkun Zhang+5 more|arXiv (Cornell University)|Aug 6, 2020

Advanced Image Processing Techniques参考文献 40被引用数 4

ひとこと要約

本稿では、CT画像における2×2検出器取得モードでの低解像度シンチグラムに起因する画像品質の悪さを改善するため、残差生成器と相対的判別器を備えた生成対抗ネットワーク（SSR-GAN）を提案する。マルチ損失の監視を組み合わせた手法により、高解像度のシンチグラムを生成することで、デジタルデータおよび実際のデータにおいて既存手法を上回る画像再構成品質を実現する。

ABSTRACT

Compared with the conventional 1*1 acquisition mode of projection in computed tomography (CT) image reconstruction, the 2*2 acquisition mode improves the collection efficiency of the projection and reduces the X-ray exposure time. However, the collected projection based on the 2*2 acquisition mode has low resolution (LR) and the reconstructed image quality is poor, thus limiting the use of this mode in CT imaging systems. In this study, a novel sinogram-super-resolution generative adversarial network (SSR-GAN) model is proposed to obtain high-resolution (HR) sinograms from LR sinograms, thereby improving the reconstruction image quality under the 2*2 acquisition mode. The proposed generator is based on the residual network for LR sinogram feature extraction and super-resolution (SR) sinogram generation. A relativistic discriminator is designed to render the network capable of obtaining more realistic SR sinograms. Moreover, we combine the cycle consistency loss, sinogram domain loss, and reconstruction image domain loss in the total loss function to supervise SR sinogram generation. Then, a trained model can be obtained by inputting the paired LR/HR sinograms into the network. Finally, the classic FBP reconstruction algorithm is used for CT image reconstruction based on the generated SR sinogram. The qualitative and quantitative results of evaluations on digital and real data illustrate that the proposed model not only obtains clean SR sinograms from noisy LR sinograms but also outperforms its counterparts.

研究の動機と目的

• CT画像における2×2検出器取得モードでの低解像度シンチグラムに起因する画像品質の悪さを是正すること。
• 低解像度入力から高解像度シンチグラムを再構成する深層学習ベースのスーパーエンヘンスレーション手法を開発すること。
• 被曝線量やハードウェアの複雑さを増さずにCT画像品質を向上させること。
• 現実的で高精度なシンチグラムを生成するとともに、構造的詳細を保持するGANフレームワークを設計すること。
• 臨床的意義を考慮し、デジタルアーチファクトと実際のCTデータの両方で手法を検証すること。

提案手法

• 残差ネットワークに基づく生成器が、低解像度シンチグラムから特徴を抽出し、高解像度シンチグラムを生成する。
• 実際の分布と偽物の分布を比較することで、生成されたシンチグラムの現実性を向上させるために相対的判別器を採用する。
• 総損失関数は、サイクル整合性損失、シンチグラムドメイン損失、再構成画像ドメイン損失を組み合わせて、複数レベルの監視を実現する。
• ペアドされた低解像度および高解像度シンチグラムデータを用いて、SSR-GANモデルをエンドツーエンドで訓練する。
• 最終的なCT画像は、生成された高解像度シンチグラムに対して従来のフィルターバックプロジェクション（FBP）アルゴリズムを用いて再構成する。
• 敵対的学習を活用して、スーパーエンヘンスドされたシンチグラムにおけるテクスチャおよび構造的忠実性を向上させる。

実験結果

リサーチクエスチョン

• RQ1 2×2検出器取得におけるCT画像の低解像度シンチグラムを、GANベースの手法で効果的にスーパーエンヘンスレーションできるか？
• RQ2 提案されたSSR-GANモデルは、ベースライン手法と比較して、主観的および定量的に優れた高解像度シンチグラムを生成できるか？
• RQ3 マルチ損失学習戦略は、再構成CT画像の忠実性および診断的品質をどの程度向上させるか？
• RQ4 相対的判別器は、生成されたシンチグラムの現実性および構造的正確性にどのように寄与するか？
• RQ5 本手法は、デジタルアーチファクトと実際の患者データの両方で、画像品質の向上を維持できるか？

主な発見

• 提案されたSSR-GANモデルは、ベースライン手法と比較して、はるかに綺麗で詳細な高解像度シンチグラムを生成する。
• 定量的評価では、デジタルデータおよび実際のデータの両方で、既存のスーパーエンヘンスレーション技術と比較してPSNRおよびSSIM指標において優れた性能を示す。
• 本手法は、低解像度シンチグラムのノイズとアーチファクトを効果的に低減するとともに、微細な解剖的構造を保持する。
• サイクル整合性損失とマルチドメイン損失の活用により、より安定した学習が実現され、さまざまなデータタイプへの一般化性能が向上する。
• 生成された高解像度シンチグラムを用いた再構成CT画像は、視覚的品質が向上し、ストリークアーチファクトが減少する。
• 本手法は実際の患者データに対しても高い性能を維持しており、臨床的実用性および耐障害性を示している。