[論文レビュー] Motion Artifacts Detection in Short-scan Dental CBCT Reconstructions

Abdul Salam Rasmi Asraf Ali, Andrea Fusiello+3 more|arXiv (Cornell University)|Apr 20, 2023

Medical Imaging Techniques and ApplicationsMedicine被引用数 3

ひとこと要約

本論文は、模擬的な動きデータとデータ拡張を用いて、短スキャン歯科CBCT再構成における動きアーチファクトを検出するためのディープラーニングフレームワークを提案する。投影サブセットを動きなしまたはアーチファクト影響ありとして分類することで、補正アルゴリズムを必要とせず、アーチファクトなしの短スキャンボリューム再構成が可能となり、模擬データではAUC-PRが最大0.983に達し、実際の動き影響を受けたスキャンでは頑健な性能（AUC-PR = 1.000）を示した。臨床応用の可能性が示された。

ABSTRACT

Cone Beam Computed Tomography (CBCT) is widely used in dentistry for diagnostics and treatment planning. CBCT Imaging has a long acquisition time and consequently, the patient is likely to move. This motion causes significant artifacts in the reconstructed data which may lead to misdiagnosis. Existing motion correction algorithms only address this issue partially, struggling with inconsistencies due to truncation, accuracy, and execution speed. On the other hand, a short-scan reconstruction using a subset of motion-free projections with appropriate weighting methods can have a sufficient clinical image quality for most diagnostic purposes. Therefore, a framework is used in this study to extract the motion-free part of the scanned projections with which a clean short-scan volume can be reconstructed without using correction algorithms. Motion artifacts are detected using deep learning with a slice-based prediction scheme followed by volume averaging to get the final result. A realistic motion simulation strategy and data augmentation has been implemented to address data scarcity. The framework has been validated by testing it with real motion-affected data while the model was trained only with simulated motion data. This shows the feasibility to apply the proposed framework to a broad variety of motion cases for further research.

研究の動機と目的

• 歯科CBCTにおける動きアーチファクトが診断精度を低下させ、臨床現場で一般的であるという課題に対処すること。
• 短スキャン再構成のための動きなしの投影サブセットを検出するフレームワークを開発し、複雑な補正アルゴリズムの必要性を回避すること。
• 動き影響を受けるCBCTにおけるデータ不足を、現実的で高品質な動きシミュレーションとデータ拡張を用いて克服すること。
• 訓練に模擬データのみを用いたにもかかわらず、実世界の動き影響を受けたスキャンにおいてもフレームワークの頑健性を検証すること。
• 補正アルゴリズムを一切用いずに、投影分類とボリューム平均化のみで臨床的実用性のあるアーチファクトなしのCBCT再構成を可能にすること。

提案手法

• スライスベースのディープラーニングフレームワークが、選択された投影サブセットから再構成された短スキャンボリュームを、陽性（アーチファクト影響あり）または陰性（動きなし）に分類する。
• 現実的で高品質な動きシミュレーションにより、さまざまなタイプ（上下動、傾き、横回転、振動）と強度の模擬的動きデータを生成する。
• データ拡張技術を適用して、模擬的動きデータの多様性と一般化性能を向上させる。
• 360°をカバーするため、異なる投影サブセットから4つの短スキャンボリュームを再構成し、それらの結果を平均化して最終的な診断品質のボリュームを生成する。
• 実世界の動きに優れた一般化性能を示すため、EfficientNet V2をバックボーンモデルとして選定する。
• 複数の短スキャン再構成のボリューム平均化により、残存アーチファクトが低減され、診断の一貫性が向上する。

実験結果

リサーチクエスチョン

• RQ1 模擬的動きデータのみで訓練されたディープラーニングモデルは、実際の動き影響を受けた歯科CBCTスキャンにおいても高い精度でアーチファクトを検出できるか？
• RQ2 現実的で高品質な動きシミュレーションとデータ拡張は、CBCTにおける動きアーチファクト検出のための訓練において、データ不足をどの程度緩和できるか？
• RQ3 動きなしの投影サブセットからの短スキャン再構成は、補正アルゴリズムを用いずに診断的に十分な画像品質を達成できるか？
• RQ4 どのディープラーニングアーキテクチャが多様な動きタイプと実世界のスキャン変動に最も優れた一般化性能を示すか？
• RQ5 本フレームワークは、ビームハードェンイングやフォトンスターヴェーションなどの非動き関連アーチファクトと、動きアーチファクトを区別できるか？

主な発見

• Eff用Net V2を用いたフレームワークは、模擬的動きデータでAUC-PRが0.983に達し、他のアーキテクチャを上回った。
• 実際の動き影響を受けたスキャンでは、EfficientNet V2を用いてAUC-PRが1.000に達し、実世界の動きに対して強い頑健性を示した。
• EfficientNet V2およびEfficientNetは、ResNetやDenseNetと比較して実データへの一般化性能に優れており、ドメイン一般化性能が優れていることを示した。
• フレームワークは、アーチファクトスキャンにおける非動き関連アーチファクト（ビームハードェンイング、ノイズなど）と動きアーチファクトを効果的に区別できた。
• 複数の短スキャン再構成のボリューム平均化により、画像の一貫性が著しく向上し、残存アーチファクトが低減した。
• 訓練に模擬データのみを用いたにもかかわらず、実スキャンでの動き検出能力が確認されたことから、今後の研究におけるシミュレーション戦略の有効性が裏付けられた。