[論文レビュー] Impact of loss functions on the performance of a deep neural network designed to restore low-dose digital mammography

Hongming Shan, Rodrigo de Barros Vimieiro+3 more|arXiv (Cornell University)|Nov 12, 2021

Digital Radiography and Breast Imaging参考文献 60被引用数 5

ひとこと要約

本研究では、階層的スキップ接続を備えた変更されたResNetアーキテクチャを提案し、深層学習を用いて低線量デジタルマンモグラムを復元する。複数の損失関数を評価した結果、知覚損失（PL4）が、完全線量画像と同等のノイズレベルを達成するとともに信号バイアスを最小限に抑え、MSEおよびMAEよりも画像の詳細と診断品質をよりよく保持した。

ABSTRACT

Digital mammography is still the most common imaging tool for breast cancer screening. Although the benefits of using digital mammography for cancer screening outweigh the risks associated with the x-ray exposure, the radiation dose must be kept as low as possible while maintaining the diagnostic utility of the generated images, thus minimizing patient risks. Many studies investigated the feasibility of dose reduction by restoring low-dose images using deep neural networks. In these cases, choosing the appropriate training database and loss function is crucial and impacts the quality of the results. In this work, a modification of the ResNet architecture, with hierarchical skip connections, is proposed to restore low-dose digital mammography. We compared the restored images to the standard full-dose images. Moreover, we evaluated the performance of several loss functions for this task. For training purposes, we extracted 256,000 image patches from a dataset of 400 images of retrospective clinical mammography exams, where different dose levels were simulated to generate low and standard-dose pairs. To validate the network in a real scenario, a physical anthropomorphic breast phantom was used to acquire real low-dose and standard full-dose images in a commercially avaliable mammography system, which were then processed through our trained model. An analytical restoration model for low-dose digital mammography, previously presented, was used as a benchmark in this work. Objective assessment was performed through the signal-to-noise ratio (SNR) and mean normalized squared error (MNSE), decomposed into residual noise and bias. Results showed that the perceptual loss function (PL4) is able to achieve virtually the same noise levels of a full-dose acquisition, while resulting in smaller signal bias compared to other loss functions.

研究の動機と目的

• 異なる損失関数が低線量デジタルマンモグラム画像の復元における深層ニューラルネットワークの性能に与える影響を調査すること。
• 低線量状況における画像復元を向上させるために、階層的スキップ接続を備えた変更されたResNetアーキテクチャを開発すること。
• 物理的人工的乳房アンブレラを用いて臨床実データを用いてネットワークを検証し、合成データを超えた一般化を保証すること。
• 画像品質およびノイズ特性の観点から、以前に発表された解析モデルと、提案された深層学習ベースの復元手法を比較すること。
• 低線量マンモグラフィーの復元における損失関数の包括的評価を行い、ノイズ低減と構造的保存の最適なトレードオフを同定すること。

提案手法

• 低線量画像復元における特徴学習と勾配伝播の向上を目的として、階層的スキップ接続を備えた変更されたResNetアーキテクチャを設計した。
• 400件の後向き的臨床的マンモグラフィー検査から画像パッチ（合計256,000個）を抽出し、異なる線量レベルでの低線量および完全線量画像ペアをシミュレートした。
• 複数の損失関数を評価した：平均二乗誤差（MSE）、平均絶対誤差（MAE）、および事前学習済みVGG-16ネットワークの特徴を用いた知覚損失（PL1～PL4）。
• 実際の低線量および完全線量画像の取得を、商用マンモグラフィー装置上で物理的人工的乳房アンブレラを用いて行った。これにより、訓練済みモデルの実世界での妥当性を検証した。
• 画像品質は、信号対ノイズ比（SNR）および平均正規化二乗誤差（MNSE）を用いて客観的に評価した。MNSEは、残存ノイズ成分とバイアス成分に分解された。
• 合成データおよび実アンブレラデータの両方を用いて、深層学習モデルの学習と検証を実施し、一般化能力およびロバストネスを評価した。

実験結果

リサーチクエスチョン

• RQ1 どの損失関数が、低線量デジタルマンモグラムの復元において、ノイズ低減と構造的詳細の保存の間で最良のバランスを達成するか？
• RQ2 知覚損失関数は、MSE や MAE といった従来の損失関数と比較して、診断用画像品質においてどのように異なるか？
• RQ3 階層的スキップ接続を備えた変更されたResNetアーキテクチャは、標準アーキテクチャと比較して、復元性能をどの程度向上させるか？
• RQ4 合成低線量データで学習した深層学習モデルは、物理的アンブレラを用いた検証により、実臨床画像に一般化可能か？
• RQ5 SNRおよびバイアス成分の観点から、深層学習ベースの復元手法は、既存の解析モデルと比較してどのように異なるか？

主な発見

• 知覚損失関数PL4は、完全線量の取得とほぼ同一のノイズレベルを達成し、MSEおよびMAEよりも顕著にノイズ抑制に優れていた。
• PL4は他の損失関数と比較して、最小の信号バイアスを示し、MSEおよびMAEよりも解剖学的詳細をより効果的に保持した。
• 知覚損失関数（特にPL4）は、MSEおよびMAEよりも画像の詳細をよりよく保持しており、後者は過剰な平滑化と微細構造の損失を引き起こした。
• 深層学習ベースの手法は、1枚あたり9.0秒の処理時間を達成し、解析モデルの16.5秒と同等であり、臨床応用の可能性を示した。
• ネットワークは実アンブレラデータにうまく一般化しており、トレーニングデータセットに過剰適合していないことが示され、ノイズ特性の変動に対してもロバストであることが確認された。
• 知覚損失と階層的スキップ接続の組み合わせにより、定量的および視覚的評価の両方で、解析モデルに近い優れた復元品質が達成された。