[論文レビュー] Generative Mask Pyramid Network for CT/CBCT Metal Artifact Reduction with Joint Projection-Sinogram Correction

Haofu Liao, Wei-An Lin+5 more|arXiv (Cornell University)|Jun 29, 2019

Advanced X-ray and CT Imaging参考文献 12被引用数 6

ひとこと要約

本稿では、CT/CBCTにおける金属アーチファクト低減（MAR）のため、敵対的学習とコンテキストに配慮した埋め込み法を活用して解剖学的に整合性のある構造を回復する、共同投影-シングラム補正を備えた生成的マスクピラミッドネットワーク（MPN）を提案する。本手法は、合成学習データを必要とせず、二次的アーチファクトを低減し、RMSEを低く抑え、SSIMを高める点で最先端の手法を上回る。特に、合成データを用いないで大がかりな金属インプラントに対しても優れた性能を発揮する。

ABSTRACT

A conventional approach to computed tomography (CT) or cone beam CT (CBCT) metal artifact reduction is to replace the X-ray projection data within the metal trace with synthesized data. However, existing projection or sinogram completion methods cannot always produce anatomically consistent information to fill the metal trace, and thus, when the metallic implant is large, significant secondary artifacts are often introduced. In this work, we propose to replace metal artifact affected regions with anatomically consistent content through joint projection-sinogram correction as well as adversarial learning. To handle the metallic implants of diverse shapes and large sizes, we also propose a novel mask pyramid network that enforces the mask information across the network's encoding layers and a mask fusion loss that reduces early saturation of adversarial training. Our experimental results show that the proposed projection-sinogram correction designs are effective and our method recovers information from the metal traces better than the state-of-the-art methods.

研究の動機と目的

• CT/CBCT画像における金属アーチファクト、特に不完全なシングラムまたは投影補完に起因する二次的アーチファクトの課題に対処すること。
• トレーニング中に合成金属アーチファクトに依存しないようにするため、MARを画像の穴埋め問題として扱うこと。
• 共同投影-シングラム補正と敵対的学習を用いて、金属影響領域における構造的・解剖学的整合性を向上させること。
• 新たなマスクピラミッドネットワークとマスク統合損失を用いて、多様な金属インプラント形状やサイズに対する耐性を高めること。
• 組織セグメンテーションを必要とせず、合成データおよび臨床的実データの両方でより良い一般化性能と性能を達成すること。

提案手法

• 本手法は二段階フレームワークを採用する。まず、敵対的学習を用いて金属影響領域内に解剖学的に妥当な代替物を生成する投影補完モジュールが、マスクピラミッドネットワーク（MPN）を用いて実装される。
• MPNはエンコーディング層に跨るマルチスケールのマスク幾何情報の凝縮を実行し、インプラント形状と構造的コンテキストを保持する。
• 敵対的学習における早期飽和を防ぐために、マスク統合損失が導入され、安定性と収束性が向上する。
• シングラム補正モジュールは、残差予測ネットワークを用いて投影補正済みシングラムを精緻化し、プロキシ間の一貫性を強制する。
• 生成器と識別器はLSGAN損失を用いて敵対的に訓練され、識別器はピクセル領域ごとの本物/偽物分類を実行する。
• モデルは、合成アーチファクトの生成を避けるために、ランダムな金属マスクを適用した実際の金属非存在投影データ上でエンドツーエンドに訓練される。

実験結果

リサーチクエスチョン

• RQ1 単一ドメイン補正と比較して、共同投影-シングラム補正は、金属アーチファクト低減における解剖学的整合性の向上と二次的アーチファクトの低減に寄与するか？
• RQ2 提案されたマスクピラミッドネットワークは、多様な金属インプラント形状やサイズにわたる特徴抽出と一般化性能をどのように向上させるか？
• RQ3 マスク統合損失を用いた敵対的学習は、シングラム補完の品質と安定性をどの程度向上させるか？
• RQ4 実際の金属非存在投影データにランダムマスクを適用するトレーニング戦略は、合成金属アーチファクトに依存する手法と比較して、より良い一般化性能を示すか？
• RQ5 提案手法は、最先端のMAR技術と比較して、臨床的実データにおいてどの程度の性能を発揮するか？

主な発見

• 合成データにおいて、本手法は最低のRMSE（29 HU）と最高のSSIM（0.94）を達成し、2番目に優れた手法（CNNMAR）のRMSE 41 HU、SSIM 0.92を顕著に上回った。
• 大がかりなインプラント（>1000ピクセル）において、本手法は最小限の性能低下を示したが、セグメンテーション依存手法（NMAR、CNNMAR）は不正確なセグメンテーションのため急激に性能が低下した。
• 臨床データにおいて、本手法は二次的アーチファクトが少なく、視覚的および定量的評価の両面でBHC、NMAR、LI、CNNMARを上回る優れた結果を生成した。
• 大がかりなインプラントにおいて、本手法は2番目に優れた手法と比較してRMSEを29%低減し、複雑な金属形状に対しても高い耐性を示した。
• マスク統合損失は、敵対的学習における早期飽和を効果的に防止し、欠損データのより安定的かつ高品質な生成を実現した。
• CNNMARにおける合成データと臨床データの間の性能差が示すように、本手法は合成アーチファクトに依存する画像ドメイン手法よりも臨床的実データへの一般化性能が優れていた。