[論文レビュー] MRI to CT Translation with GANs

Bodo Kaiser, Shadi Albarqouni|arXiv (Cornell University)|Jan 16, 2019

AI in cancer detection参考文献 20被引用数 7

ひとこと要約

この論文は、RIREデータセットを用い、厳密な前処理とコアリグレーションを実施したGANを用いたMRIからCTへの翻訳の包括的パイプラインを提示している。U-NetとPix2Pix GANアーキテクチャの評価がなされ、敵対的訓練が標準CNNと比較して構造的類似性を向上させ、アーチファクトを低減することを示している。Pix2PixはトレーニングセットでPSNR 60.38、バリデーションセットで47.55を達成した。

ABSTRACT

We present a detailed description and reference implementation of preprocessing steps necessary to prepare the public Retrospective Image Registration Evaluation (RIRE) dataset for the task of magnetic resonance imaging (MRI) to X-ray computed tomography (CT) translation. Furthermore we describe and implement three state of the art convolutional neural network (CNN) and generative adversarial network (GAN) models where we report statistics and visual results of two of them.

研究の動機と目的

• 線量線被曝を伴わないMRIからCTへの翻訳を可能にし、放射線治療計画におけるCTの臨床的ニーズに対応する。
• 公開医療画像データセット用の再現可能で基準となる前処理およびディープラーニングパイプラインの実装を提供する。
• 画像品質および定量的指標の観点から、最先端のCNNおよびGANベースのモデルを用いたMRIからCTへの翻訳を比較する。
• 敵対的損失および勾配ブースティングが生成されたCT画像における軟部組織構造の再現に与える影響を調査する。
• 医療画像翻訳分野におけるGANのハイパーパrameter選定に向けた標準化されたベンチマークおよびベストプラクティスの欠如に対処する。

提案手法

• 前処理では、ITKを用いてRIREデータセットのMHD形式のボリュームMRIおよびCTデータを抽出・解凍・NIfTI形式に変換した。
• 剛体コアリグレーションは、相互情報量最適化を用い、CTを固定リファレンスとして空間正規化を保証した。
• 3つのディープラーニングモデルを実装した：MAE損失を用いたU-Net、最小二乗敵対的損失を用いたPix2Pix GAN、勾配ブースティングを適用した最適化済みPix2Pix変種。
• Pix2Pix GANは、局所的リアリズムを強制するためのPatchGAN判別器を用い、敵対的損失が生成器がより写真的でリアルなCTに近い画像を生成するように誘導した。
• 勾配ブースティングは、頭蓋骨を除いたボリュームから脳マスクを作成し、微調整中に軟部組織領域の損失重みを増加させることで実施した。
• 評価には、トレーニングおよびバリデーションセットにおける標準指標（MAE、MSE、PSNR）を用い、横断的スライスにおける視覚的検査も実施した。

実験結果

リサーチクエスチョン

• RQ1 敵対的GANベースの手法は、構造的忠実性および視覚的リアリズムの観点から、標準CNNを上回るMRIからCTへの翻訳を達成できるか？
• RQ2 PatchGAN判別器を用いた敵対的訓練は、MAE損失と比較して、合成CT画像の品質にどのように影響するか？
• RQ3 領域特化損失重みを用いた勾配ブースティングは、生成画像における軟部組織の詳細にどの程度向上効果をもたらすか？
• RQ4 RIREデータセットにおけるGANベースのMRIからCTへの翻訳に最適なトレーニングハイパーパrameterおよび損失構成は何か？
• RQ5 提案された前処理およびコアリグレーションパイプラインは、信頼性があり、将来的な医療画像翻訳研究のベンチマークとして機能できるか？

主な発見

• Pix2Pix GANモデルは、トレーニングセットでPSNR 60.38、バリデーションセットで47.55を達成し、両指標および視覚的品質においてU-Netを上回った。
• 視覚的比較では、Pix2PixモデルがU-Netと比較してアーチファクトが少なく、特に軟部組織領域の解剖学的構造をよりよく保持していた。
• 勾配ブースティングを適用した最適化済みPix2Pix変種は、バリデーションセットでMAE（112.23 vs. 112.73）およびPSNR（47.68 vs. 47.55）にわずかな改善を示し、軟部組織領域への利益がわずかに見られた。
• 定量的改善はあったが、視覚的分析では軟部組織構造の向上が明確に確認されなかったため、ハイパーパrameterの最適化が不十分であるか、収束問題が生じている可能性がある。
• Pix2Pixにおける敵対的損失は、より良い局所的最小値への最適化を誘導し、標準CNNベースラインと比較してよりリアルなCT合成を実現した。
• 本研究は、GANが標準CNNを上回り、MRIからCTへの翻訳を著しく改善できることを確認したが、標準化されたベンチマークの欠如により、この分野におけるGANの潜在的限界はまだ十分に解明されていない。