[論文レビュー] One Network to Solve All ROIs: Deep Learning CT for Any ROI using Differentiated Backprojection

Yoseob Han, Jong Chul Ye|arXiv (Cornell University)|Oct 1, 2018

Medical Imaging Techniques and Applications参考文献 3被引用数 3

ひとこと要約

本論文は、任意の領域オブイジェクト（ROI）サイズ、検出器ピッチ、スキャン角度に一般化可能な、内部CT再構成のための2つの深層学習ネットワークを提案する。最初のネットワークは、フィルタドバックプロジェクション（FBP）画像におけるカッピングアーチファクトを補正する。2番目のネットワークは、学習された有限ヒルベルト変換の逆転を用いて、切断された微分バックプロジェクション（DBP）データを直接逆転し、反復的手法に比べて優れた画像品質と高速性を達成するが、実行時間のオーバーヘッドは最小限である。

ABSTRACT

Computed tomography for region-of-interest (ROI) reconstruction has advantages of reducing X-ray radiation dose and using a small detector. However, standard analytic reconstruction methods suffer from severe cupping artifacts, and existing model-based iterative reconstruction methods require extensive computations. Recently, we proposed a deep neural network to learn the cupping artifact, but the network is not well generalized for different ROIs due to the singularities in the corrupted images. Therefore, there is an increasing demand for a neural network that works well for any ROI sizes. In this paper, two types of neural networks are designed. The first type learns ROI size-specific cupping artifacts from the analytic reconstruction images, whereas the second type network is to learn to invert the finite Hilbert transform from the truncated differentiated backprojection (DBP) data. Their generalizability for any ROI sizes is then examined. Experimental results show that the new type of neural network significantly outperforms the existing iterative methods for any ROI size in spite of significantly reduced run-time complexity. Since the proposed method consistently surpasses existing methods for any ROIs, it can be used as a general CT reconstruction engine for many practical applications without compromising possible detector truncation.

研究の動機と目的

• 横方向の投影切断によって引き起こされる内部CTにおける深刻なカッピングアーチファクトに対処すること。
• 特定のROIサイズに特化して訓練された従来の深層学習モデルの一般化性能の低さを克服すること。
• 検出器サイズ、ピxls寸法、スキャン角度の変動に対しても堅牢に動作する再構成手法を開発すること。
• モデルベースの反復的再構成法と比較して、計算複雑性を低減しつつも高い画像品質を維持すること。
• 内部CTの実用的臨床応用を可能にするため、汎用的な再構成エンジンを構築すること。

提案手法

• ROIサイズに依存する特異なFBP再構成画像からのカッピングアーチファクトを除去するタイプIネットワークを設計する。
• U-Netアーキテクチャを用いて、微分バックプロジェクション（DBP）データからの切断ヒルベルト変換の逆転を実現するタイプIIネットワークを開発する。
• 異なる検出器サイズと角度の開始位置を用いたデータ拡張を実施し、タイプIIネットワークの一般化性能を向上させる。
• 検出器および角度の拡張を適用することで、切断の変動に対する過剰適合を低減し、耐性を高める。
• 有限ヒルベルト変換の逆転に必要なヌル空間パラメータと畳み込みカーネルを学習する微分可能逆転フレームワークを採用する。
• FBP画像を入力とするタイプIと、DBPデータを入力とするタイプIIの両ネットワークを、同一のU-Netアーキテクチャで訓練するが、入力表現を異なるものとする。

実験結果

リサーチクエスチョン

• RQ1 深層学習モデルは、再トレーニングなしで異なるROIサイズに一般化可能か？
• RQ2 FBP画像の代わりに微分バックプロジェクション（DBP）データを入力とすることで、一般化性能が向上するか？
• RQ3 異なる検出器サイズとスキャン角度を用いたデータ拡張は、ネットワークの一般化にどのように影響するか？
• RQ4 1つのニューラルネットワークアーキテクチャが、多様な取得パrameterにわたって高品質な画像を効果的に再構成できるか？
• RQ5 タイプIIネットワークが有限ヒルベルト変換を直接逆転させることで、FBPアーチファクトの後処理に比べて優れた性能を発揮するか？

主な発見

• DBPデータを逆転するタイプIIネットワークは、ROIサイズ、検出器ピッチ、スキャン角度のすべてにおいて、タイプIネットワークよりも顕著に優れた一般化性能を示した。
• タイプIIネットワークは、既存の反復的再構成手法に比べて優れた画像品質を達成しており、実行時間の複雑性も低い。
• 検出器および角度のデータ拡張により、タイプIIネットワークの一般化性能が向上したが、過剰な検出器拡張は多様な切断比の平均化に起因し、わずかに性能を低下させた。
• タイプIIネットワークは、スパarselyビューおよびショートスキャンアーチファクトに対して、より感受性が低く、FBP画像に生じるストリークアーチファクトを誘発するラムフィルタが欠落しているためである。
• タイプIIネットワークは、検出器サイズや角度の開始位置が異なるさまざまな取得シナリオにおいても一貫した性能を維持した。
• 提案手法は、定量的指標および視覚的品質の両面で、最先端の反復的再構成技術を上回り、著しく高速な実行時間も達成した。