[論文レビュー] Limited View Tomographic Reconstruction Using a Deep Recurrent Framework with Residual Dense Spatial-Channel Attention Network and Sinogram Consistency

Bo Zhou, S. Kevin Zhou+2 more|arXiv (Cornell University)|Sep 3, 2020

Medical Imaging Techniques and Applications参考文献 34被引用数 5

ひとこと要約

本論文は、限られた視野CT再構成のための再帰的ディープラーニングフレームワーク、R2edSCANを提案する。この手法は、残差密度的空間・チャネルアテンションネットワークと、投影ドメインの整合性を保証するシンチグラム整合性層を組み合わせており、再構成の精度を向上させる。本手法は最先端の性能を達成し、先行手法と比較して限られた角度再構成で5 dB以上、スパarselyビュー再構成で約4 dBのPSNR向上を達成した。

ABSTRACT

Limited view tomographic reconstruction aims to reconstruct a tomographic image from a limited number of sinogram or projection views arising from sparse view or limited angle acquisitions that reduce radiation dose or shorten scanning time. However, such a reconstruction suffers from high noise and severe artifacts due to the incompleteness of sinogram. To derive quality reconstruction, previous state-of-the-art methods use UNet-like neural architectures to directly predict the full view reconstruction from limited view data; but these methods leave the deep network architecture issue largely intact and cannot guarantee the consistency between the sinogram of the reconstructed image and the acquired sinogram, leading to a non-ideal reconstruction. In this work, we propose a novel recurrent reconstruction framework that stacks the same block multiple times. The recurrent block consists of a custom-designed residual dense spatial-channel attention network. Further, we develop a sinogram consistency layer interleaved in our recurrent framework in order to ensure that the sampled sinogram is consistent with the sinogram of the intermediate outputs of the recurrent blocks. We evaluate our methods on two datasets. Our experimental results on AAPM Low Dose CT Grand Challenge datasets demonstrate that our algorithm achieves a consistent and significant improvement over the existing state-of-the-art neural methods on both limited angle reconstruction (over 5dB better in terms of PSNR) and sparse view reconstruction (about 4dB better in term of PSNR). In addition, our experimental results on Deep Lesion datasets demonstrate that our method is able to generate high-quality reconstruction for 8 major lesion types.

研究の動機と目的

• 不完全なシンチグラムデータによる限られた視野トモグラフィー再構成における深刻なアーチファクトとノイズの問題に対処すること。
• UNetのような固定アーキテクチャに依存するが、投影ドメインの整合性を欠いた既存のディープラーニング手法の限界を克服すること。
• 予測された再構成画像と測定されたシンチグラムの間の整合性を強制しながら、反復的に再構成を改善する再帰的フレームワークの開発。
• 特に不均一または低コントラストの病変に対して、病変の可視性と構造の保存性を向上させること。
• 診断的品質を損なわず、低線量や短いスキャン時間でも高精度な再構成を可能にすること。

提案手法

• フレームワークは再帰的スタッキング設計を採用しており、同じ残差密度的空間・チャネルアテンションネットワーク（RedSCAN）ブロックを複数回スタックして、反復的に再構成を改善する。
• 各RedSCANブロックは、密な残差接続と空間・チャネルアテンション機構を用いて特徴の学習を強化し、微細なディテールを保持する。
• 各再帰的ブロックの後にシンチグラム整合性層（SCL）を挿入し、中間的な画像を再びシンチグラムドメインに投影し、測定された限られた角度またはスパarselyビューの投影と整合性を保つ。
• SCLはFBPを用いた前方および逆投影を実行し、予測されたシンチグラムと測定されたシンチグラムの差を計算し、ネットワークの最適化をガイドする。
• 全ネットワークは、ピクセルレベルの精度と構造的忠実性の両立を図るため、L1損失と知覚損失の組み合わせでエンドツーエンドに訓練される。
• 臨床的関連の高い再構成タスクを評価するため、AAPM低線量CTグランドチャレンジおよびDeep Lesionデータセットの両方でフレームワークの評価が行われた。

実験結果

リサーチクエスチョン

• RQ1 反復的精錬を備えた再帰的ディープラーニングフレームワークは、UNetのような固定アーキテクチャモデルを上回る限られた視野CT再構成を実現できるか？
• RQ2 専用の層を用いてシンチグラム整合性を強制することで、再構成品質が著しく向上し、アーチファクトが低減されるか？
• RQ3 提案手法は、低コントラストまたは不均一な病変において、血管供給やテクスチャなどの微細な解剖学的・病変特異的構造を保存できるか？
• RQ4 再帰的反復回数の増加に伴う性能のスケーリング特性は何か？また、精度、メモリ使用量、推論時間の最適なトレードオフは何か？
• RQ5 シンチグラム整合性層は、平行ビーム以外の異なる取得幾何形状に対しても効果的に適応可能か？

主な発見

• AAPM低線量CTグランドチャレンジデータセットにおいて、R2edSCANは限られた角度再構成で、最先端手法と比較して5 dBを超える一貫した顕著なPSNR向上を達成した。
• スパarselyビュー再構成においては、既存のディープラーニングベースの手法と比較して約4 dB高いPSNRを達成し、優れたノイズ抑制とアーチファクト低減を示した。
• 本手法は、限られた角度条件下で従来手法が完全に見逃していた、肺病変における血管供給の複雑な構造を効果的に回復した。
• Deep Lesionデータセットにおいて、R2edSCANは8つの主要な病変タイプにおいても病変境界と内部テクスチャを保持しており、従来手法が滑らかさや歪みを引き起こす低コントラストの軟部組織背景でも有効であった。
• 4回の再帰的反復後には性能向上の収束が見られ、n=4がメモリ消費量、推論時間（約120 ms）、再構成品質のバランスをとる最適な選択であった。
• シンチグラム整合性層はデータ忠実度を顕著に向上させた。予測されたシンチグラムと測定されたシンチグラムの乖離が減少したことで、より正確で診断的信頼性の高い再構成が実現された。