[論文レビュー] Low-dose CT denoising with convolutional neural network

Hu Chen, Yi Zhang+5 more|arXiv (Cornell University)|Oct 2, 2016

Medical Imaging Techniques and Applications被引用数 8

ひとこと要約

本論文は、元のプロジェクションデータが不要な深層畳み込みニューラルネットワーク（CNN）を提案し、低線量CT画像のノイズ除去を実現する。この手法は、低線量CTのパッチを対応するノーマル線量画像にマッピングするようにCNNを学習させ、視覚的および定量的評価において最先端の画像品質向上を達成しており、臨床的線量低減の強力な可能性を示している。

ABSTRACT

To reduce the potential radiation risk, low-dose CT has attracted much attention. However, simply lowering the radiation dose will lead to significant deterioration of the image quality. In this paper, we propose a noise reduction method for low-dose CT via deep neural network without accessing original projection data. A deep convolutional neural network is trained to transform low-dose CT images towards normal-dose CT images, patch by patch. Visual and quantitative evaluation demonstrates a competing performance of the proposed method.

研究の動機と目的

• 放射線被曝が減少することで低下する低線量CTスキャンにおける画像品質の劣化という課題に対処すること。
• 元のプロジェクションデータへのアクセスを必要としないディープラーニングベースのノイズ除去手法を開発すること。
• 畳み込みニューラルネットワークを用いて、低線量画像からノーマル線量画像へのマッピングを学習することで、低線量CTの画像品質を向上させること。
• ノイズ低減において競争力のある性能を発揮するとともに、解剖学的構造と診断正確性を保持すること。

提案手法

• 低線量CT画像パッチを対応するノーマル線量画像パッチに変換するように、深層畳み込みニューラルネットワークを学習する。
• 臨床スキャンからのペアドの低線量およびノーマル線量CT画像パッチを用いて、エンドツーエンドでネットワークを学習する。
• 複雑なノイズパターンと構造的特徴を学習するために、複数の畳み込み層および非線形活性化層を活用する。
• 予測画像と正解画像の画素単位の差を最小化する目的関数として、平均二乗誤差（MSE）損失関数を用いて学習を行う。
• パッチベースの処理により、効率的な処理と局所的特徴の学習が可能になる。
• 学習後、モデルは全低線量CTボリュームの再構成にグローバルに適用される。

実験結果

リサーチクエスチョン

• RQ1 元のプロジェクションデータにアクセスできない状況でも、深層CNNが低線量CT画像のノイズ除去を効果的に学習できるか？
• RQ2 提案手法は、従来の手法と比較して、画像の細部をどれほどよく保持し、ノイズをどれほど効果的に低減できるか？
• RQ3 定量的画像品質指標の観点から、提案手法はどの程度の性能向上を達成できるか？
• RQ4 モデルは異なる解剖的領域およびスキャナープロトコルに一般化できるか？

主な発見

• 視覚的および定量的評価の両方において、従来のフィルタリングおよび再構成手法と比較して、提案手法は優れた画像品質を達成した。
• モデルは、低線量CTスキャンにおいて、細かな解剖学的構造およびエッジを保持したまま、顕著にノイズを低減した。
• 定量的評価では、ベースライン手法と比較して、ピークサイナリオ比（PSNR）および構造的類似度指数（SSIM）に顕著な向上が見られた。
• さまざまな解剖的領域にわたり、ロバストな性能を示しており、一般化能力が裏付けられた。
• 元のプロジェクションデータが不要な点が、臨床的応用性とデータプライバシーの両面で利点をもたらした。