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

Hu Chen, Yi Zhang+6 more|arXiv (Cornell University)|Jul 30, 2017

Medical Imaging Techniques and Applications参考文献 41被引用数 5

ひとこと要約

本稿では、スパースデータCTの再構成のための深層学習ベースの再構成ネットワークLEARNを提案する。LEARNは、反復的フィールズ・オブ・エキスパート（FoE）アルゴリズム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と構造を学習する。エンド・ツー・エンドで訓練されたLEARNは、12層で構成され、従来の反復的手法と比較して計算コストを顕著に低減しながら、画像品質が最先端水準に達しており、メ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面で既存手法を上回っている。

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反復的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取り組む。
• 少角度CTやトモソノグラフィーを含むスパースデータCT応用分野における画像品質を向上させる。
• 画像忠実度を維持または向上させながら、反復的再構成手法の計算複雑性を低減する。
• データ駆動型学習による正則化構造の学習を通じて、アプリケーション固有の知識を活用する。
• 高速かつ高精度を実現する軽量な深層ネットワーク（12層）を構築する。

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、固定された12層にアンフォールドしてエンド・ツー・エンドで訓練する。
• 反復スキーム内の正則化項とパラメータを、学習可能な微分可能コンponentsに置き換える。
• ネットワークアーキテクチャはFoEフレームワークの最適化ステップを模倣しており、勾配ベースの学習が可能である。
• 実際のまたはシミュレートされたスパースビューCTデータ上で、教師あり損失関数を用いて訓練し、再構成誤差を最小化する。
• 最終的なネットワークは、1回の順方向プロパゲーションで画像再構成を実行し、従来の反復ソルバの遅い収束を回避する。
• アーキテクチャは軽量であり、12層にとどまるため、標準的な反復的手法と比較して計算複雑性が顕著に低減される。

実験結果

リサーチクエスチョン

• RQ1 アンフォールドされた反復的再構成アルゴリズムで訓練された深層ネットワークは、スパースデータCTにおいて優れた性能を達成できるか？
• RQ2 手動チューニングなしで、学習された正則化パラメータは多様な画像撮影シナリオに適応的に対応できるか？
• RQ3 提案されたネットワークは、計算コストを著しく低減しながらも、高い画像品質を維持できるか？
• RQ4 実臨床データにおける、最先端手法と比較して、学習ネットワークの性能はどの程度か？
• RQ5 アプリケーション固有の知識を活用することで、未観測のスパースデータCTシナリオに対しても、ネットワークは良好に一般化できるか？

主な発見

• LEARNは、メ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。
• 従来の反復的再構成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た。
• わずか12層でLEARNは高い再構成精度を維持しながら、高速な推論を可能にした。
• 学習された正則化項は、アプリケーション固有の画像事前分布を効果的に捉えており、画像忠実度の向上に寄与した。
• 少角度CTやトモソノグラフィーを含むスパースデータCTタスクへの一般化性能が強く示された。
• 性能向上の要因は、手作業で設計された事前分布よりも、画像統計をよりよく反映するデータ駆動型の正則化構造とパラメータの学習に起因する。