[論文レビュー] Investigation of domain gap problem in several deep-learning-based CT metal artefact reduction methods

Muge Du, Kaichao Liang+2 more|arXiv (Cornell University)|Nov 25, 2021

Advanced X-ray and CT Imaging参考文献 31被引用数 4

ひとこと要約

本研究は、模擬的および臨床的歯科および躯幹CTデータセットを用いて、深層学習ベースのCT金属アーチファクト低減（MAR）手法におけるドメインギャップ問題を評価する。6つの最先端手法（画像ドメインの教師あり2つ、デュアルドメインの教師あり2つ、画像ドメインの教師なし2つ）を検証した。主な発見は、実臨床躯幹データではI-DL-MARおよびDudoNetがアーチファクトを効果的に低減するが、より困難な歯科データセットではどの手法に対しても満足できる性能が得られず、特に歯科CTにおいてはアーチファクトパターンや金属トレース特性の差異によりドメインギャップ問題が依然として解決されていないことである。

ABSTRACT

Metal artefacts in CT images may disrupt image quality and interfere with diagnosis. Recently many deep-learning-based CT metal artefact reduction (MAR) methods have been proposed. Current deep MAR methods may be troubled with domain gap problem, where methods trained on simulated data cannot perform well on practical data. In this work, we experimentally investigate two image-domain supervised methods, two dual-domain supervised methods and two image-domain unsupervised methods on a dental dataset and a torso dataset, to explore whether domain gap problem exists or is overcome. We find that I-DL-MAR and DudoNet are effective for practical data of the torso dataset, indicating the domain gap problem is solved. However, none of the investigated methods perform satisfactorily on practical data of the dental dataset. Based on the experimental results, we further analyze the causes of domain gap problem for each method and dataset, which may be beneficial for improving existing methods or designing new ones. The findings suggest that the domain gap problem in deep MAR methods remains to be addressed.

研究の動機と目的

• 実臨床データに応用した深層学習ベースのCT金属アーチファクト低減（MAR）手法にドメインギャップが存在するかを調査すること。
• 模擬的および実臨床CTデータセットにおいて、画像ドメインの教師あり、デュアルドメインの教師あり、画像ドメインの教師なしMAR手法の性能を比較すること。
• 異なるMAR手法およびデータセットにおけるドメインギャップの根本的要因を同定し、今後の手法設計の指針とすること。
• 教師なしMAR手法が、ペairedの実際のアーチファクトフリー画像を必要とせずにドメインギャップを効果的に克服できるかを評価すること。

提案手法

• 本研究は6つの深層MAR手法を評価する：画像ドメインの教師あり2つ（I-DL-MARおよびベースライン）、デュアルドメインの教師あり2つ（DudoNetおよびDudoNet++）、画像ドメインの教師なし2つ（CycleGAN-INTおよびADN）。
• 実験は2つのデータセットを用いて実施する：歯科用および躯幹用の両方のデータセットに、金属インプラントを含む模擬的および実臨床（実際の）CTデータが含まれる。
• 性能は、定量的指標（例：PSNR、SSIM）および定性的な視覚的分析を通じて、ソース（模擬的）ドメインとターゲット（実臨床）ドメインの両方で評価される。
• 教師なし手法では、ペアのないデータを用いて、アーチファクトを含む画像とアーチファクトフリー画像の間の画像変換を学習するため、CycleGANベースおよびADNフレームワークが用いられる。
• ドメインギャップの原因を、模擬的データと実臨床データの間のアーチファクトパターン、金属トレース特性、再構成の不整合性を比較することで分析する。
• 構造的損失と診断的構造の保持は、特にオリジナルデータと線形補間された入力データを用いたデュアルドメイン手法において、重要な性能指標として評価される。

実験結果

リサーチクエスチョン

• RQ1 模擬的データから実臨床CTデータへの転移において、深層学習ベースのMAR手法にドメインギャップ問題が継続的に存在するか？
• RQ2 画像ドメイン対デュアルドメインのネットワークアーキテクチャ、および教師あり対教師なしの学習パラダイムがドメインギャップのロバストネスに与える影響は？
• RQ3 なぜ一部の手法は躯幹データでは機能するが歯科CTでは失敗するのか？ これらのケースにおけるドメインシフトの根本的要因は何か？
• RQ4 CycleGAN-INTおよびADNのような教師なしMAR手法は、ペアのない学習データを用いてドメインギャップを効果的に解消できるか？
• RQ5 どの具体的な画像およびシノグラムレベルの特徴がMAR手法におけるドメインギャップに最も寄与しているか？

主な発見

• I-DL-MARおよびDudoNetは実臨床躯幹データセットにおいて最小限のドメインギャップを示し、模擬的データで学習した後でも効果的な一般化が可能であることが示された。
• 歯科データセットでは、すべての教師あり手法が顕著なドメインギャップを示し、模擬的データでは優れた性能を発揮するが、実臨床データでは性能が著しく低下した。
• 線形補間されたアーチファクトを含むデータを入力として用いることで、教師あり手法のドメインギャップが軽減されたが、再構成画像に構造的損失が生じた。
• DudoNet++においてオリジナルのアーチファクトを含むプロジェクションを入力として用いることで、ドメインギャップが悪化した。特に、模擬的データと実臨床データの間で金属トレースパターンとシノグラムの汚染が不一致であることが要因となった。
• 教師なし手法（CycleGAN-INTおよびADN）は、両方のデータセットにおいて模擬的および実臨床データの両方で満足できる性能を達成できず、不安定さと劣悪なアーチファクト低減が確認された。
• ドメインギャップの主な要因は、模擬的データと実臨床データの間で、アーチファクトを含むシノグラム、画像再構成、金属トレース特性に差異が生じていることである。特に歯科CTにおいて顕著である。