[論文レビュー] On the Benefit of Dual-domain Denoising in a Self-supervised Low-dose CT Setting

Fabian Wagner, Mareike Thies+10 more|arXiv (Cornell University)|Nov 2, 2022

Medical Imaging Techniques and Applications被引用数 4

ひとこと要約

本論文は、高線量の教師データを必要とせず、投影領域および画像領域の両方で同時にノイズ除去を最適化するエンドツーエンドで自己教師ありの二重ドメインノイズ除去パイプラインを提案する。低線量CTに対して、腹部CTでは最大94.1%のPSNR向上、XRMデータでは低線量ベースライン比2.9%のPSNR向上を達成し、投影空間における初期段階のノイズ抑制が最終的な画像品質を顕著に向上させることを示している。

ABSTRACT

Computed tomography (CT) is routinely used for three-dimensional non-invasive imaging. Numerous data-driven image denoising algorithms were proposed to restore image quality in low-dose acquisitions. However, considerably less research investigates methods already intervening in the raw detector data due to limited access to suitable projection data or correct reconstruction algorithms. In this work, we present an end-to-end trainable CT reconstruction pipeline that contains denoising operators in both the projection and the image domain and that are optimized simultaneously without requiring ground-truth high-dose CT data. Our experiments demonstrate that including an additional projection denoising operator improved the overall denoising performance by 82.4-94.1%/12.5-41.7% (PSNR/SSIM) on abdomen CT and 1.5-2.9%/0.4-0.5% (PSNR/SSIM) on XRM data relative to the low-dose baseline. We make our entire helical CT reconstruction framework publicly available that contains a raw projection rebinning step to render helical projection data suitable for differentiable fan-beam reconstruction operators and end-to-end learning.

研究の動機と目的

• 既存の自己教師ありCTノイズ除去手法が画像領域でのみ動作するという限界を解決し、投影データにおける初期段階のノイズ抑制を実現すること。
• ペアの高線量データを必要とせず、投影領域および画像領域の両方で同時にノイズ除去を最適化できるエンドツーエンドで学習可能なパイプラインを開発すること。
• 二重ドメインノイズ除去が単一ドメインの事後処理ノイズ除去よりも優れた画像品質を達成することを実証すること。
• ヘリカルCTデータの再ビニングおよび再構成のための完全に微分可能なオープンソースフレームワークを公開し、今後の二重ドメインおよび自己教師ありCTパイプライン研究を促進すること。

提案手法

• 本手法は微分可能再構成演算子Rと、2つの学習可能なノイズ除去モジュール（投影領域におけるD_proj^w および画像領域におけるD_img^w）を用いる。
• パイプラインは、D_proj^w → R → D_img^w → 損失関数という全チェーンを逆誤差伝搬によりエンドツーエンドで学習し、両方のノイズ除去器の共同最適化を可能にする。
• 高線量の教師データを必要とせず、分割された投影スタックから独立して再構成された2つのビュー間の自己教師あり損失を計算することで、学習を可能にする。
• 微分可能再構成に対応するため、ヘリカルCTデータをファンビーム形式に変換するための生データ再ビニングステップをフレームワークに統合する。
• 両ドメインに任意の微分可能なノイズ除去アーキテクチャ（例：U-Net、BF）を統合可能であり、柔軟な統合を可能にする。
• 全パイプラインは、独立した投影データ分割から得た2つのノイズ除去再構成間の特徴類似度に基づくコントラスト型損失を用いて学習される。

Fig. 1 : Overview of the proposed trainable dual-domain and self-supervised CT denoising pipeline.

実験結果

リサーチクエスチョン

• RQ1 画像ドメインでのみノイズ除去が行われるのと比較して、投影ドメインでのノイズ除去を組み込むことで、低線量CT再構成性能が向上するか？
• RQ2 高線量の教師データを必要とせず、エンドツーエンドで学習可能なパイプラインが、投影ドメインおよび画像ドメインの両方で同時にノイズ除去を最適化できるか？
• RQ3 医療および前臨床的CTデータにおいて、二重ドメインノイズ除去が単一ドメインの事後処理ノイズ除去と比較して、定量的および定性的に優れているか？
• RQ4 投影ドメインにおける初期段階のノイズ抑制が、その後の画像ノイズ除去タスクをどの程度簡素化するか？
• RQ5 微分可能でオープンソースのヘリカルCT再ビニングおよび再構成フレームワークは、二重ドメインおよび自己教師ありCT手法の広範な採用を可能にするか？

主な発見

• 腹部CTデータにおいて、二重ドメインノイズ除去は低線量ベースライン比PSNRで82.4–94.1%向上、SSIMで12.5–41.7%向上を達成した。
• X線マイクロトモグラフィ（XRM）データでは、低線量ベースライン比PSNRで1.5–2.9%向上、SSIMで0.4–0.5%向上を達成した。
• 二重ドメイン自己教師ありパイプラインは、すべての単一ドメイン事後処理ベースラインを上回り、投影ドメインにおける初期段階のノイズ除去が有益であることを確認した。
• 提案されたフレームワークは教師ありベースラインに非常に近い性能を達成し、二重U-Net自己教師ありモデルはXRMデータで32.5 dBのPSNRを達成した。
• 視覚的評価では、二重ドメインモデルが画像のみのノイズ除去よりもノイズをより効果的に低減し、特に肝腫瘍のような低コントラスト領域で解剖的詳細をより良く保持していた。
• オープンソースのヘリカルCT再ビニングおよび微分可能再構成フレームワークにより、生投影データに対するエンドツーエンド学習が可能となり、今後の二重ドメインおよび自己教師ありCT研究を促進する。

Fig. 2 : Illustration of the proposed end-to-end self-supervised denoising pipeline. Projections are split in two stacks and reconstructed separately. The loss calculated between denoised prediction and reconstructed target stack is backpropagated through $\mathbf{D}_{\text{img}}^{w}$ and $\mathbf{R