[論文レビュー] Machine-learning-based nonlinear decomposition of CT images for metal artifact reduction

Hyung Suk Park, Sung Min Lee+2 more|arXiv (Cornell University)|Aug 1, 2017

Advanced X-ray and CT Imaging参考文献 21被引用数 15

ひとこと要約

本論文は、金属のみのCT画像からビーム硬化歪みを抽出するように学習するU-Netモデルを用いて、真の画像が入手できない臨床的状況を想定し、地面真値画像を必要としない深層学習ベースのCTスキャンにおける金属アーチファクト低減（MAR）手法を提案する。本手法は、模擬的ヒッププロステーゼを装着した実際の骨盤CTスキャンにおいてストレインジングおよびシャドウイングアーチファクトを効果的に低減し、既存手法と比較して低いNRMSD値を達成した。

ABSTRACT

Computed tomography (CT) images containing metallic objects commonly show severe streaking and shadow artifacts. Metal artifacts are caused by nonlinear beam-hardening effects combined with other factors such as scatter and Poisson noise. In this paper, we propose an implant-specific method that extracts beam-hardening artifacts from CT images without affecting the background image. We found that in cases where metal is inserted in the water (or tissue), the generated beam-hardening artifacts can be approximately extracted by subtracting artifacts generated exclusively by metals. We used a deep learning technique to train nonlinear representations of beam-hardening artifacts arising from metals, which appear as shadows and streaking artifacts. The proposed network is not designed to identify ground-truth CT images (i.e., the CT image before its corruption by metal artifacts). Consequently, these images are not required for training. The proposed method was tested on a dataset consisting of real CT scans of pelvises containing simulated hip prostheses. The results demonstrate that the proposed deep learning method successfully extracts both shadowing and streaking artifacts.

研究の動機と目的

• ビーム硬化および非線形効果に起因するCT画像における金属アーチファクトという、長年の課題に取り組むこと。
• 臨床的状況における金属インプラント装着時において通常入手不可能な地面真値CT画像を必要としない手法を開発すること。
• 既知のインプラント形状および材料特性を活用し、合成された金属のみのアーチファクトデータ上で深層学習モデルを学習すること。
• インプラント形状に特化したビーム硬化アーチファクトの非線形表現を学習することで、アーチファクト低減性能を向上させること。
• 小さな幾何形状に配慮したトレーニングデータセットが、未観測の金属インプラント構成に一般化できることを示すこと。

提案手法

• 本手法は、金属のみのCTスキャンからビーム硬化アーチファクトの非線形表現を学習するU-Netベースの深層ニューラルネットワークを用いる。
• 水同等のホモジニアス・フォントに金属インサート（例：ヒッププロステーゼ）を含む合成CT画像を用い、既知の幾何形状および材料の減衰係数を活用してトレーニングを行う。
• アーチファクトフリーの地面真値画像を必要とせず、予測されたアーチファクトと実際の金属由来アーチファクトとの間のL2損失を最小化することでネットワークを学習する。
• 金属由来アーチファクトは、完全スキャン画像から純粋な金属スキャンのアーチファクトを差し引くことで近似可能であると仮定しており、アーチファクト生成における観察された線形性に基づく。
• アーチファクト軌道の低次元多様体上での補間により、金属形状、回転、位置の変化に対して一般化可能である。
• 最終的なMAR結果は、元のアーチファクト混在CT画像から予測されたアーチファクトマップを差し引くことで得られる。

実験結果

リサーチクエスチョン

• RQ1 金属インプラント由来のビーム硬化アーチファクトは、地面真値アーチファクトフリーCT画像を必要とせずに、深層学習を用いて効果的に抽出可能か？
• RQ2 金属のみのCTスキャンでトレーニングされた深層学習モデルは、複雑な金属インプラント幾何形状を持つ実際の患者スキャンにおいてアーチファクト低減に一般化可能か？
• RQ3 既知のインプラント幾何形状および材料特性を活用することで、データが少ない状況下でもアーチファクト抽出の一般化性と正確性が向上するか？
• RQ4 既存のMAR手法（例：MAC-BC）と比較して、定量的に本手法の性能は、アーチファクト低減およびバックグラウンド回復の観点で優れているか？
• RQ5 小さな幾何形状に配慮したトレーニングデータセットは、多様な金属インプラント構成にわたり、強固なアーチファクト抽出を達成できるか？

主な発見

• 提案手法は、全テスト手法の中で最小の正規化平均二乗誤差（NRMSD）を達成し、Pelvis 2では13.60%、Pelvis 1では14.67%、Pelvis 3では16.43%、Pelvis 4では16.87%を記録した。
• 図7の第4列に示されるように、視覚的にも残留アーチファクトが確認されないため、MAC-BC手法よりもストレインジングアーチファクトの低減が優れていた。
• L2誤差はトレーニング中に収束し、トレーニングエポック数の増加に伴いアーチファクト低減性能が向上したため、安定した学習が確認された。
• 少数のトレーニング画像しか使用していなくても、アーチファクト軌道多様体上での補間により、未観測の金属インプラント構成に良好に一般化された。
• 本手法は、模擬的ヒッププロステーゼを装着した実際の骨盤CTスキャンから、シャドウイングおよびストレインジングアーチファクトの両方を効果的に抽出できた。
• トレーニングに地面真値CT画像が存在しなかったにもかかわらず、性能に悪影響を及ぼさなかった。モデルは合成された金属のみのアーチファクトデータから学習していた。