[論文レビュー] Iterative PET Image Reconstruction Using Convolutional Neural Network Representation

Kuang Gong, Jiahui Guan+5 more|arXiv (Cornell University)|Oct 9, 2017

Medical Imaging Techniques and Applications参考文献 26被引用数 34

ひとこと要約

本論文は、交替方向乗数法（ADMM）最適化スキーム内に、データ整合性のある画像事前分布として深層畳み込みニューラルネットワーク（CNN）である残差U-Netを埋め込む、革新的な反復的PET画像再構成フレームワークを提案する。後処理によるノイズ除去とは異なり、CNNは有効なPET画像の集合を表し、特に低カウント状況下で、従来のペナルティ付き尤度法やCNNによるノイズ除去法と比較して、より優れた病変コントラスト回復とノイズ低減を実現する。

ABSTRACT

PET image reconstruction is challenging due to the ill-poseness of the inverse problem and limited number of detected photons. Recently deep neural networks have been widely and successfully used in computer vision tasks and attracted growing interests in medical imaging. In this work, we trained a deep residual convolutional neural network to improve PET image quality by using the existing inter-patient information. An innovative feature of the proposed method is that we embed the neural network in the iterative reconstruction framework for image representation, rather than using it as a post-processing tool. We formulate the objective function as a constraint optimization problem and solve it using the alternating direction method of multipliers (ADMM) algorithm. Both simulation data and hybrid real data are used to evaluate the proposed method. Quantification results show that our proposed iterative neural network method can outperform the neural network denoising and conventional penalized maximum likelihood methods.

研究の動機と目的

• 患者間の解剖学的および画像外観の事前知識を活用して、低カウントPET再構成を改善すること。
• 同一患者の事前データを必要とする既存手法の制限や、ノイズおよびアーチファクトに敏感である問題を克服すること。
• 従来の後処理ではなく、反復的再構成プロセスに直接深層CNNを統合するフレームワークを開発すること。
• シミュレート済みおよび実際のハイブリッドPETデータを用いて、コントラスト回復とノイズ低減の両面で性能向上を実証すること。
• カーネルベースの手法よりも、時間的・解剖学的など複数ソースの情報を柔軟に統合できるデータ駆動型で一般化可能な画像事前分布を可能にすること。

提案手法

• 低カウントPET再構成を高カウントの基準画像にマッピングするように、深層残差U-NetCNNを学習させ、有効なPET画像構造に関する事前知識を学習する。
• CNNをADMMに基づく最適化フレームワークに統合し、制約付き最適化問題を解く。この際、CNNが画像の有効集合を定義する。
• 目的関数は、データ適合性（ポisson尤度）とCNNベースの事前分布を組み合わせたもので、制約付き最適化問題として定式化される。
• ADMMを用いて部分問題を反復的に解き、分割変数の更新ステップで非線形制約としてCNN事前分布を強制する。
• ADMMアルゴリズムの初期推定値として、収束安定性を向上させるために30イテレーションの期待値最大化（EM）アルゴリズムの結果を用いる。
• 明示的なペナルティ項を避けるために、学習済みCNNを微分可能画像表現として用い、エンドツーエンド最適化を可能にする。

実験結果

リサーチクエスチョン

• RQ1 患者間データで学習された深層CNNは、反復的PET再構成における効果的でデータ駆動型の画像事前分布として機能するか？
• RQ2 反復的再構成フレームワークに直接CNNを埋め込む方法と、後処理によるノイズ除去として適用する方法とでは、性能にどのような差が生じるか？
• RQ3 提案手法は、従来のペナルティ付き尤度法やCNNによるノイズ除去法と比較して、より優れたコントラスト回復とノイズ低減を達成できるか？
• RQ4 非凸的かつ非線形な部分問題における初期値設定や最適化の困難さに対して、本手法はどれほど頑健か？
• RQ5 CNN事前分布は従来の事前分布よりも患者間で一般化されやすく、小規模な解剖学的構造をよりよく保持できるか？

主な発見

• 実際のハイブリッドデータにおいて、提案手法の反復的CNN法は、ガウスフィルタリングと比較して標準偏差（ノイズ）を約2倍低減した。
• XCATシミュレーションデータでは、反復的CNN法が、CNNノイズ除去法およびペナルティ付き尤度再構成法の両方を上回り、特に小病変においてコントラスト回復とノイズのトレードオフが優れていた。
• 反復的CNN法は、CNNノイズ除去法が小規模な特徴を抑制する傾向にあるのと対照的に、病変の取り込みをよりよく保持した。
• 脊椎領域では、画像の詳細が明確に保たれ、ペナルティ付き再構成でよく見られるコマーシャル風のアーチファクトが低減された。
• EMベースの初期化が収束性と最終的な画像品質を著しく向上させた。一様初期化では結果が悪かった。
• カーネルベースの手法と比較して、CNNベースの事前分布は一般化性能と特徴保持能力に優れており、特に複数ソースの事前情報を統合する際の柔軟性が顕著に向上した。