[論文レビュー] Image Prediction for Limited-angle Tomography via Deep Learning with Convolutional Neural Network

Hanming Zhang, Liang Li+5 more|arXiv (Cornell University)|Jul 29, 2016

Medical Imaging Techniques and Applications参考文献 33被引用数 79

ひとこと要約

本論文では、限角CT再構成におけるストリークアーティファクトを抑制するため、フィルタードバックプロジェクション（FBP）画像からアーティファクトのない画像へのエンド・ツー・エンドマッピングを学習する深層畳み込みニューラルネットワーク（CNN）ベースの手法を提案する。限角設定におけるFBPアーティファクトの一貫性のある特徴を活用することで、モデルはこれらのアーティファクトを効果的に抽出・抑制でき、計算コストを最小限に抑えつつ画像品質を著しく向上させる。

ABSTRACT

Limited angle problem is a challenging issue in x-ray computed tomography (CT) field. Iterative reconstruction methods that utilize the additional prior can suppress artifacts and improve image quality, but unfortunately require increased computation time. An interesting way is to restrain the artifacts in the images reconstructed from the practical filtered back projection (FBP) method. Frikel and Quinto have proved that the streak artifacts in FBP results could be characterized. It indicates that the artifacts created by FBP method have specific and similar characteristics in a stationary limited-angle scanning configuration. Based on this understanding, this work aims at developing a method to extract and suppress specific artifacts of FBP reconstructions for limited-angle tomography. A data-driven learning-based method is proposed based on a deep convolutional neural network. An end-to-end mapping between the FBP and artifact-free images is learned and the implicit features involving artifacts will be extracted and suppressed via nonlinear mapping. The qualitative and quantitative evaluations of experimental results indicate that the proposed method show a stable and prospective performance on artifacts reduction and detail recovery for limited angle tomography. The presented strategy provides a simple and efficient approach for improving image quality of the reconstruction results from limited projection data.

研究の動機と目的

• データ駆動型アプローチを用いて、限角CT再構成におけるストリークアーティファクトの課題に取り組む。
• フィルタードバックプロジェクション（FBP）特有のアーティファクトを抑制する深層学習手法を開発する。
• 計算コストの高い反復的再構成手法に依存せずに、FBP再構成画像の画像品質を向上させる。
• FBP出力を直接アーティファクトのない画像にマップするエンド・ツー・エンド学習フレームワークを確立する。
• 従来の反復的再構成手法に代わる、高速で効率的かつ安定した限角CT用の代替手法を提供する。

提案手法

• 深層畳み込みニューラルネットワーク（CNN）を、FBP再構成画像からアーティファクトのない画像へのエンド・ツー・エンドマッピングを学習するように訓練する。
• 限角プロジェクションからのFBP再構成画像とそれに対応する正解画像のペアデータを用いてネットワークを訓練する。
• 固定された限角設定におけるFBPアーティファクトの空間的相関性と一貫性のある特徴をアーキテクチャが活用する。
• CNN内の非線形特徴学習により、明示的なモデル化を伴わずにアーティファクトパターンの暗黙的抽出と抑制が可能となる。
• イメージングシステムの事前知識や反復最適化を必要としないため、計算効率が良好である。
• 教師あり学習を用いた訓練プロセスであり、予測値と正解画像間のピxls単位の差を最小化する損失関数が使用される。

実験結果

リサーチクエスチョン

• RQ1 深層CNNは、限角CTのFBP再構成におけるストリークアーティファクトを効果的に抑制できるか？
• RQ2 本手法は、反復的精錬なしの従来のFBPに比べて優れたアーティファクト低減を達成できるか？
• RQ3 異なる限角設定にわたって一般化可能であり、微細な解剖的詳細を保持できるか？
• RQ4 反復的再構成手法と比較して、本手法は計算的に効率的か？
• RQ5 イメージング物理学の明示的モデル化なしに、ネットワークは暗黙のうちにアーティファクトパターンを学習できるか？

主な発見

• さまざまな限角設定において、視覚的検査および定量的指標により、本手法がストリークアーティファクトを顕著に低減することが確認された。
• モデルは再構成画像内の微細な構造的詳細を保持しており、画像忠実度の観点で標準的なFBPを上回った。
• 定量的評価では、FBP再構成と比較して、ピークサイナリオノイズ比（PSNR）および構造的類似度指数（SSIM）が向上した。
• 異なるスキャン角度や解剖的構造においても安定した性能を示し、頑健性が裏付けられた。
• 反復的再構成よりも顕著に高速な推論速度を達成しており、リアルタイムまたは臨床応用に適している。
• 未知のデータに対しても良好な一般化性能を示しており、多様な限角シナリオにおけるアーティファクトパターンの強力な特徴学習が示された。