[論文レビュー] LEARN: Learned Experts' Assessment-based Reconstruction Network for Sparse-data CT

Hu Chen, Yi Zhang+8 more|arXiv (Cornell University)|Jul 30, 2017

Medical Imaging Techniques and Applications参考文献 43被引用数 7

ひとこと要約

本論文では、スパースデータCTの再構成を目的とした深層学習ベースの再構成ネットワークLEARNを提案する。この手法は、フィールズ・オブ・エキスパート（FoE）に基づく反復的手法をアンフォールドすることで、学習データから正則化パラメータを学習する。本手法は、アーチファクト低減と特徴保持の両面で優れた画像品質を達成し、12層のみで構成されるにもかかわらず、計算複雑性を桁違いに低減させながら、マイオクリニック低線量チャレンジデータセットにおいて最先端の手法を上回る性能を発揮した。

ABSTRACT

Compressive sensing (CS) has proved effective for tomographic reconstruction from sparsely collected data or under-sampled measurements, which are practically important for few-view CT, tomosynthesis, interior tomography, and so on. To perform sparse-data CT, the iterative reconstruction commonly use regularizers in the CS framework. Currently, how to choose the parameters adaptively for regularization is a major open problem. In this paper, inspired by the idea of machine learning especially deep learning, we unfold a state-of-the-art "fields of experts" based iterative reconstruction scheme up to a number of iterations for data-driven training, construct a Learned Experts' Assessment-based Reconstruction Network ("LEARN") for sparse-data CT, and demonstrate the feasibility and merits of our LEARN network. The experimental results with our proposed LEARN network produces a competitive performance with the well-known Mayo Clinic Low-Dose Challenge Dataset relative to several state-of-the-art methods, in terms of artifact reduction, feature preservation, and computational speed. This is consistent to our insight that because all the regularization terms and parameters used in the iterative reconstruction are now learned from the training data, our LEARN network utilizes application-oriented knowledge more effectively and recovers underlying images more favorably than competing algorithms. Also, the number of layers in the LEARN network is only 12, reducing the computational complexity of typical iterative algorithms by orders of magnitude.

研究の動機と目的

• 圧縮センシングに基づくCT再構成における、適応的正則化パラメータ選択の課題に対処すること。
• スパースデータCT（例えば、少数再構成ビューCTやトモソノグラフィー）における画像品質の向上を図り、データからアプリケーション固有の正則化を学習すること。
• 反復的再構成手法の計算負荷を低減しつつ、再構成精度を維持または向上させること。
• 従来の反復的手法を上回るスピードと正確性を実現する、データ駆動型でエンドツーエンドで訓練可能なネットワークの開発

提案手法

• 本手法は、最先端のフィールズ・オブ・エキスパート（FoE）に基づく反復的再構成アルゴリズムを12層の深層ニューラルネットワークにアンフォールドする。
• 各層は、微分可能でデータ駆動型の定式化を用いて、正則化パラメータを学習し、画像推定値を更新する。
• 大規模なCTスキャンデータセット上でエンドツーエンドに訓練することで、データから最適な正則化を学習する。
• アーキテクチャは、反復的シェイピング・スケアリング・アルゴリズム（ISTA）にインspiredされているが、固定正則化子の代わりに学習可能で適応可能なコンponentsを導入している。
• 訓練の安定性と収束性を向上させるために、残差学習構造を採用している。
• 最終的なモデルは、データ整合性項と学習済み事前分布項の組み合わせを用いて最適化される。

実験結果

リサーチクエスチョン

• RQ1 深層ニューラルネットワークは、学習データからスパースデータCT再構成のための最適な正則化パラメータを効果的に学習できるか？
• RQ2 エンドツーエンドで学習されたネットワークの性能は、従来の反復的手法と比較して、画像品質と処理速度の両面で優れているか？
• RQ3 データ駆動型アプローチは、計算複雑性をどの程度低減できるか、同時に微細な解剖的特徴を保持できるか？
• RQ4 本ネットワークは、少数再構成ビューや限界角度再構成といったさまざまなスパースデータCTシナリオに一般化可能か？

主な発見

• LEARNは、マイオクリニック低線量チャレンジデータセットにおいて、アーチファクト低減と特徴保持の両面で、複数の最先端手法を上回る競争力のある画像品質を達成した。
• 標準的な反復的アルゴリズムと比較して、計算複雑性が桁違いに低減され、わずか12層で十分である。
• 学習された正則化パラメータは、さまざまな画像取得シナリオに効果的に適応し、再構成の忠実度を向上させた。
• 優れた性能を維持しながらも、視覚的品質と定量的指標の両面で、高い計算効率を発揮した。