[論文レビュー] Learning Personalized Representation for Inverse Problems in Medical Imaging Using Deep Neural Network

Kuang Gong, Kyung Sang Kim+5 more|arXiv (Cornell University)|Jul 4, 2018

Medical Imaging Techniques and Applications参考文献 21被引用数 3

ひとこと要約

本論文は、ペアの学習データを一切使用せず、患者固有の事前画像のみを用いて、深層ニューラルネットワークをADMM最適化内でのデータドリブン正則化子として埋め込むことで、医療画像の逆問題に対してパーソナライズドなディープラーニングフレームワークを提案する。この手法は、脳PET画像の再構成およびノイズ除去において、従来手法を上回り、高線量または長時間スキャンの参照画像を必要とせずに、優れたコントラスト対ノイズ比と構造的正確性を達成する。

ABSTRACT

Recently deep neural networks have been widely and successfully applied in computer vision tasks and attracted growing interests in medical imaging. One barrier for the application of deep neural networks to medical imaging is the need of large amounts of prior training pairs, which is not always feasible in clinical practice. In this work we propose a personalized representation learning framework where no prior training pairs are needed, but only the patient's own prior images. The representation is expressed using a deep neural network with the patient's prior images as network input. We then applied this novel image representation to inverse problems in medical imaging in which the original inverse problem was formulated as a constraint optimization problem and solved using the alternating direction method of multipliers (ADMM) algorithm. Anatomically guided brain positron emission tomography (PET) image reconstruction and image denoising were employed as examples to demonstrate the effectiveness of the proposed framework. Quantification results based on simulation and real datasets show that the proposed personalized representation framework outperform other widely adopted methods.

研究の動機と目的

• 深層学習を用いた医療画像処理において、高線量または長時間スキャンによる被曝制約や実用的制約から生じる高品質なトレーニングペアの不足という課題に対処すること。
• 外部のラベル付きデータセットを必要とせず、患者自身の事前画像のみを入力として用いるパーソナライズドな表現学習フレームワークの開発。
• 画像再構成やノイズ除去などの逆問題において、制約付き最適化フレームワーク内に深層ニューラルネットワークを適応的正則化子として統合し、画像品質の向上を図ること。
• 臨床的脳PET画像診断応用において、最先端手法と比較して優れた定量的および視覚的性能を示すことで、本フレームワークの有効性を実証すること。

提案手法

• フレームワークは、反復型乗数法（ADMM）を用いて、逆問題をペナルティ付き最適化ステップとニューラルネットワークのトレーニングステップに分離する。
• 患者の事前画像からパーソナライズドな画像表現を学習するために、約146万パラメータを持つ変更版3D U-Netをニューラルネットワークアーキテクチャとして採用する。
• ペアの真値ラベルを必要とせず、患者自身の事前画像を入力としてエンドツーエンドでトレーニングするため、低線量または限られたスキャンの臨床的状況に適している。
• ADMMフレームワークは最適化中に制約を強制することでデータ整合性を確保し、深層ネットワークは患者固有の解剖的構造を符号化する学習済み正則化子として機能する。
• 本手法は、CT画像を事前入力として用いる、解剖学的ガイド付き脳PET再構成と全身PETノイズ除去の2つの臨床的タスクに適用される。
• 最適化プロセスは、データ適合性サブプロブレムの解法とバックプロパゲーションによるネットワークパラメータの更新を交互に繰り返すことで、学習と再構成を統合的に実現する。

実験結果

リサーチクエスチョン

• RQ1 ペアの学習データを必要とせず、患者自身の事前画像から深層ニューラルネットワークがパーソナライズドな画像表現を学習可能か？
• RQ2 深層ネットワークを学習済み正則化子として統合することで、低線量またはノイズの多いPET画像の再構成およびノイズ除去にどのように寄与するか？
• RQ3 提案されたADMMベースのフレームワークは、データ整合性を維持しながら、ネットワークのエンドツーエンドトレーニングを効果的に行えるか？
• RQ4 本手法の性能は、ガウスフィルタリング、非局所平均、カーネルベースの手法といった従来手法と比較して、定量的にどのように優れているか？
• RQ5 本フレームワークは、脳PETおよび全身PET画像診断を含むさまざまな臨床的状況に一般化可能であり、一貫した画像品質の向上を示せるか？

主な発見

• 全身PETノイズ除去において、10例の患者データセットで平均CNRが49.29を達成し、ガウス法（41.11）およびNLM法（45.18）を顕著に上回った。
• 脳PET再構成において、本手法はカーネルベースの手法と比較して、皮質構造が明瞭に、白質ノイズが低減されており、病変のコントラストが向上し、アーチファクトが減少していた。
• CR-STD曲線は、本手法がコントラストと標準偏差の間で最良のトレードオフを達成していることを示し、優れた画像品質とノイズ抑制を示している。
• 本手法は、定性的および定量的評価の両面で最先端技術を上回り、特に小さな構造の保持と病変の可視性向上において顕著な優位性を示した。
• 実臨床データセットにおいても本フレームワークは頑健な性能を示し、複数の患者研究および画像プロトコルにわたり一貫した改善が得られた。
• 理論的収束保証が欠如しているものの、最適化軌道から観察されるように、実際には単調収束を示した。