[論文レビュー] Neural-networks-based Photon-Counting Data Correction: Pulse Pileup Effect

Ruibin Feng, David S. Rundle+1 more|arXiv (Cornell University)|Apr 29, 2018

Advanced X-ray and CT Imaging参考文献 33被引用数 6

ひとこと要約

本論文は、パルス重ね合わせ効果によって劣化した光子数検出器（PCD）データを補正するモデルフリーでエンドツーエンドのデータ駆動型ニューラルネットワーク手法を提案する。シミュレートされた測定値と真のカウント値を用いて訓練された全結合段階的ニューラルネットワークを用いて、多様なPCD設定において高精度なデータを回復し、相対誤差を1桁低減する。また、変動の大きい吸収経路においても低分散を維持する。

ABSTRACT

Compared with the start-of-art energy integration detectors (EIDs), photon-counting detectors (PCDs) with energy discrimination capabilities have demonstrated great potentials in various applications of medical x-ray radiography and computed tomography (CT). However, the advantages of PCDs may be compromised by various hardware-related degradation factors. For example, at high count rate, quasi-coincident photons may be piled up and result in not only lost counts but also distorted spectrums, which is called the pulse pileup effects. Considering the relative slow detection speed of current PCDs and high x-ray flux for clinical imaging, it is vital to develop an effective approach to compensate or correct for the pileup effect. The aim of this paper was to develop a model-free, end-to-end, and data-driven approach in the neural network framework. We first introduce the trigger threshold concept to regularize the correction process. Then, we design a fully-connected cascade artificial neural network and train it with measurements and true counts. After training, the network is used to recover raw photon-counting data for higher fidelity. To evaluate the proposed approach, Monte Carlo simulations are conducted. We simulate four types of PCDs combining the unipolar or bipolar pulse shape with the nonparalyzable or paralyzable detection mode. The simulation results demonstrate that the trained neural network decreases the relative error of count averages of raw data by an order of magnitude while maintaining a reasonable variance over a wide range of attenuation paths.

研究の動機と目的

• 高X線フラックス下で生じるパルス重ね合わせ効果がスペクトルデータを歪め、画像品質を低下させるという主な制限要因に対処すること。
• パルス波形、重ね合わせの順序、検出メカニズムの複雑な物理モデリングに依存する従来のモデル依存補正手法の限界を克服すること。
• 下位の物理的メカニズムの明示的知識が不要な、一般化可能で柔軟かつトレーニング可能なデータ駆動型フレームワークを構築すること。
• 臨床的CTにおけるエネルギー分離能の維持と画像コントラストの向上を可能にするために、歪んだPCD測定値から真の光子カウントを正確に回復すること。
• 多数のPCDタイプと運用条件をカバーする現実的なトレーニングデータを生成するため、モンテカルロシミュレーションを用いた堅牢なトレーニングパイプラインを確立すること。

提案手法

• 補正プロセスを正則化し、ネットワークの学習を導くために、トライガーしきい値の概念を導入する。
• 歪んだPCD測定値から歪んでいない真のカウントへのマッピングを学習するため、全結合段階的人工ニューラルネットワーク（FCC ANN）を設計する。
• 4段階の正規化プロセスを用いて推定された、シミュレートされたPCD測定値（X）と対応する真値（Ydes）のペアデータを用いてネットワークを訓練する。
• 測定データ（Xdes）を、所望のX線フラックスにおけるPPEフリーなデータ（Ydes）の平均と標準偏差に一致させるデータ正規化アルゴリズムを適用する。
• 4種類のPCDタイプ（一方向/双方向パルス波形、非一時停止/一時停止検出モード）をカバーするように、モンテカルロシミュレーションを用いてトレーニングデータを生成する。
• 正規化されたデータペア（X, Ydes）を用いてFCC ANNをエンドツーエンドで訓練し、補正されたカウントの直接予測を可能にする。

実験結果

リサーチクエスチョン

• RQ1 複雑な物理モデルに依存せずに、データ駆動型ニューラルネットワークアプローチが、光子数CTにおけるパルス重ね合わせ歪みを効果的に補正できるか？
• RQ2 本手法は、多様なPCD設定において歪んだ測定値から真の光子カウントをどれほど正確に推定できるか？
• RQ3 ニューラルネットワークは、生の重ね合わせ劣化データと比較して、カウント平均の相対誤差をどの程度低減できるか？
• RQ4 異なる吸収経路および検出器タイプにおいて、本手法は低分散と高い忠実度を維持できるか？
• RQ5 再トレーニングなしで、異なるパルス波形および検出モード（一時停止対非一時停止）に一般化できるか？

主な発見

• 提案手法は、生の重ね合わせ劣化データと比較して、カウント平均の相対誤差を1桁低減する。
• 全テスト条件下で、推定真値（Ydes）とシミュレートされた真値（Y）との間の平均偏差は1.5%未満であり、最大偏差は5.5%未満である。
• 本手法は、一方向/非一時停止、一方向/一時停止、双方向/非一時停止、双方向/一時停止の4つの異なるPCD設定において一貫した性能を発揮する。
• 全検出器タイプおよびDLRレベル（0.1%、1%、10%）において、平均偏差は0.3%未満であり、PPEフリーなデータの推定精度が極めて高いことを示している。
• 広範な吸収経路においても、妥当な分散を維持しており、ビーム強度や物質厚さの変動に対して頑健であることが示された。
• Ydesを生成するためのデータ正規化プロセスは極めて正確であり、高レベルの重ね合わせ（10% DLR）でも平均偏差が1.5%未満である。これにより、トレーニングデータの品質が妥当であることが裏付けられた。