[論文レビュー] Monochromatic CT Image Reconstruction from Current-Integrating Data via Deep Learning

Wenxiang Cong, Ge Wang|arXiv (Cornell University)|Oct 10, 2017

Advanced X-ray and CT Imaging被引用数 10

ひとこと要約

本論文では、二重エネルギースキャンを必要とせず、従来の電流積分型投影データから直接単色CT画像を再構成する深層学習ベースの手法を提案する。測定された投影データに対する非線形補正を学習することで、ビーム硬化を正確に補正し、投影補正における相対誤差が0.2%未塔に抑えられ、標準的な臨床用CTスキャナを用いて高精度な単色画像再構成が可能になる。

ABSTRACT

In clinical CT, the x-ray source emits polychromatic x-rays, which are detected in the current-integrating mode. This physical process is accurately described by an energy-dependent non-linear integral model on the basis of the Beer-Lambert law. However, the non-linear model is too complicated to be directly solved for the image reconstruction, and is often approximated to a linear integral model in the form of the Radon transform, basically ignoring energy-dependent information. This model approximation would generate inaccurate quantification of attenuation image and significant beam-hardening artifacts. In this paper, we develop a deep-learning-based CT image reconstruction method to address the mismatch of computing model to physical model. Our method learns a nonlinear transformation from big data to correct measured projection data to accurately match the linear integral model, realize monochromatic imaging and overcome beam hardening effectively. The deep-learning network is trained and tested using clinical dual-energy dataset to demonstrate the feasibility of the proposed methodology. Results show that the proposed method can achieve a high accuracy of the projection correction with a relative error of less than 0.2%.

研究の動機と目的

• 臨床CTで用いられる線形化モデルと物理的多色X線物理学との不一致を解消すること。
• エネルギー依存の非線形なX線減衰モデルを近似することによって生じるビーム硬化アーチファクトを克服すること。
• 測定データから学習するデータ駆動型の深層学習フレームワークを構築し、正確な単色画像再構成のための電流積分型投影データの補正を行うこと。
• ハードウェアの改造を要せず、臨床用二重エネルギーCTデータセットを用いて実現可能性を示すこと。

提案手法

• 深層ニューラルネットワークを訓練し、生の電流積分型投影データから線形積分モデルに一致する補正済み投影データへの非線形変換を学習する。
• 臨床用二重エネルギーCTデータセットを用いて、多色測定値とそれに対応する単色同等値との間のマッピングを学習する。
• エネルギー依存の複雑な非線形積分モデルを直接解く必要を避け、データから補正を学習する。
• 予測値と真値の単色投影データの差を最小化するようにネットワークのアーキテクチャを最適化する。
• エンドツーエンドの学習を活用し、測定データを単色画像空間にマップするが、物理的整合性を保持する。
• 臨床データを用いてモデルを検証し、実世界への適用可能性と頑健性を保証する。

実験結果

リサーチクエスチョン

• RQ1 深層学習は、電流積分型投影データから学習することで、従来のCTにおけるビーム硬化アーチファクトを効果的に補正できるか？
• RQ2 学習された非線形変換は、標準的な線形近似と比較して、単色画像再構成の精度をどの程度向上させられるか？
• RQ3 二重エネルギースキャンやハードウェアの変更なしに、標準的な臨床用CTスキャナとデータのみで単色CT再構成が可能か？
• RQ4 深層学習モデルは、画像再構成で用いられる線形積分モデルに適合するように、投影データをどの程度正確に補正できるか？
• RQ5 提案手法は、多色X線減衰の複雑な物理モデルを必要とせずに、高精度な画像忠実度を維持できるか？

主な発見

• 提案手法は、測定された投影データの補正において相対誤差が0.2%未塔に抑えられ、投影補正の高精度性を示している。
• 多色測定値と単色画像空間との間の非線形関係を学習することで、ビーム硬化アーチファクトが効果的に抑制された。
• 二重エネルギースキャンやハードウェア変更なしに、電流積分型データを単色画像再構成にマッピングするのに成功した。
• 臨床用二重エネルギーCTデータセットを用いた実験により、実用的で頑健な手法の実現可能性が確認され、臨床的関連性が裏付けられた。
• 深層学習が、CTにおける物理的X線物理学と簡略化された線形再構成モデルの間のギャップを埋められることを確認した。
• 標準的なCTスキャナを用いて高精度な単色画像再構成が可能となり、複雑なモデル化を要せずビーム硬化を低減する実用的解決策を提供した。