[論文レビュー] Momentum-Net for Low-Dose CT Image Reconstruction

Siqi Ye, Yong Long+1 more|arXiv (Cornell University)|Feb 27, 2020

Medical Imaging Techniques and Applications参考文献 23被引用数 4

ひとこと要約

本稿では、低線量CT画像再構成のための高速反復的ニューラルネットワークアーキテクチャであるMomentum-Netを提案する。この手法は、各層で画像精錬のための4層の残差CNNと、モデルベース画像再構成（MBIR）を組み合わせており、最先端の非反復的ノイズ除去ネットワーク（WavResNet）よりも顕著に再構成精度を向上させ、RMSEが低く、視覚的品質も向上している。一方、スペクトル正規化技術は性能向上に寄与しなかった。

ABSTRACT

This paper applies the recent fast iterative neural network framework, Momentum-Net, using appropriate models to low-dose X-ray computed tomography (LDCT) image reconstruction. At each layer of the proposed Momentum-Net, the model-based image reconstruction module solves the majorized penalized weighted least-square problem, and the image refining module uses a four-layer convolutional neural network (CNN). Experimental results with the NIH AAPM-Mayo Clinic Low Dose CT Grand Challenge dataset show that the proposed Momentum-Net architecture significantly improves image reconstruction accuracy, compared to a state-of-the-art noniterative image denoising deep neural network (NN), WavResNet (in LDCT). We also investigated the spectral normalization technique that applies to image refining NN learning to satisfy the nonexpansive NN property; however, experimental results show that this does not improve the image reconstruction performance of Momentum-Net.

研究の動機と目的

• 被曝線量を低減しつつも高い画像品質を維持する低線量CT画像再構成の課題に対処すること。
• 高線量参照データが不足しているため、一般化性能が限定的で過学習のリスクが高いため、WavResNetのような既存の非反復的ノイズ除去ディープニューラルネットワークの改善に寄与すること。
• Momentum-Netという高速反復的ニューラルネットワークフレームワークを統合することで、モデルベース画像再構成（MBIR）の収束速度を加速すること。
• スペクトル正規化技術が、Momentum-Netフレームワークにおける画像精錬ニューラルネットワークの性能向上に寄与するかどうかを調査すること。

提案手法

• Momentum-Netは、各層に画像精錬（学習された残差CNN）、加速のための外挿、および主要化されたペナルティ付き重み付き最小二乗（PWLS）MBIRモジュールを統合したレイヤードアーキテクチャを採用している。
• 画像精錬モジュールは、パラメータが前層から初期化された4層の残差CNN（SimpleCNN）を用い、$\mathcal{D}_{\theta^{(l+1)}}(\mathbf{x}^{(l)}) = \mathbf{x}^{(l)} - \mathcal{R}_{\theta^{(l+1)}}(\mathbf{x}^{(l)})$ として定義される。
• MBIRモジュールは閉形式解を用いて主要化されたペナルティ付き重み付き最小二乗問題を解き、内部反復手法と比較してより高速な収束を実現している。
• スペクトル正規化（RSN）は、残差マッピングおよびノイズ除去器に適用され、非拡張性の性質を強制する。2つのバリエーションがある：SimpleCNN-RSN および Dn-RSN。
• 学習は、ノイズ除去出力と参照画像間の平均二乗誤差（MSE）損失を用い、Adam最適化と学習率の段階的減少を適用している。
• フレームワークは、RMSEと視覚的評価を用いて、NIH AAPM-Mayo Clinic Low Dose CT Grand Challengeデータセットで評価された。

実験結果

リサーチクエスチョン

• RQ1 WavResNetのような最先端の非反復的ノイズ除去ネットワークと比較して、Momentum-Netは低線量CT再構成精度を顕著に向上させることができるか？
• RQ2 画像精錬ニューラルネットワークにスペクトル正規化を適用することで、Momentum-Netの低線量CT再構成性能が向上するか？
• RQ3 スペクトル正規化によって強制される非拡張性の性質は、Momentum-Netフレームワークにおける再構成の安定性と精度に有益であるか？
• RQ4 MBIRとディープラーニングモジュールの反復的統合は、非反復手法と比較して収束速度と再構成品質にどのような影響を与えるか？
• RQ5 残差ノイズ除去ネットワークの異なる学習戦略が、再構成性能に与える影響は何か？

主な発見

• SimpleCNNを用いたMomentum-Netは、平均RMSEを3.55 HUにまで低下させ、WavResNet（36.10 HU）と比較して4.5 HUの改善、FBP（117.85 HU）と比較して114.3 HUの大幅な低減を達成した。
• Momentum-Netは、WavResNet（6.46 HU）と比較してRMSEの標準偏差が低く（3.55 HU）、再構成の安定性が向上していることを示している。
• 視覚的結果では、Momentum-Net（SimpleCNN）が、特に画像のズームイン領域において、WavResNetと比較して細かいディテールをよりよく保持し、ストリークアーチファクトを低減している。
• SimpleCNN-RSNを用いたMomentum-Netは、平均RMSEが36.10 HUに上昇し、WavResNet（6.46 HU）よりも悪化しており、RSNベースの学習による性能向上が見られなかった。
• スキップ接続を削除し、全ノイズ除去器にRSNを適用するDn-RSNバージョンは、RMSEが41.72 HUと最も悪く、RSNが再構成品質を向上させないどころか劣化させる可能性があることを示している。
• スペクトル正規化技術は、非拡張性マッピングを強制する理論的利点があるものの、Momentum-Netにおける再構成精度の向上には寄与しなかった。