[論文レビュー] Photoacoustic Image Reconstruction Beyond Supervised to Compensate Limit-view and Remove Artifacts

Hengrong Lan, Changchun Yang+2 more|arXiv (Cornell University)|Dec 4, 2020

Photoacoustic and Ultrasonic Imaging被引用数 2

ひとこと要約

本論文では、完全な教師データに依存せずに、限られた視野データからアーティファクトのないフルビュー超音波画像を再構築する新規な深層学習フレームワーク、BSR-Netを提案する。位置ごとのデータ入力と2つの独自損失関数を用いた残差ネットワークにより、教師データが不完全な場合でもアーティファクトを顕著に低減し、数値実験および生体内実験の両方で優れた性能を示した。

ABSTRACT

Photoacoustic computed tomography (PACT) reconstructs the initial pressure distribution from raw PA signals. Standard reconstruction always induces artifacts using limited-view signals, which are influenced by limited angle coverage of transducers, finite bandwidth, and uncertain heterogeneous biological tissue. Recently, supervised deep learning has been used to overcome limited-view problem that requires ground-truth. However, even full-view sampling still induces artifacts that cannot be used to train the model. It causes a dilemma that we could not acquire perfect ground-truth in practice. To reduce the dependence on the quality of ground-truth, in this paper, for the first time, we propose a beyond supervised reconstruction framework (BSR-Net) based on deep learning to compensate the limited-view issue by feeding limited-view position-wise data. A quarter position-wise data is fed into model and outputs a group full-view data. Specifically, our method introduces a residual structure, which generates beyond supervised reconstruction result, whose artifacts are drastically reduced in the output compared to ground-truth. Moreover, two novel losses are designed to restrain the artifacts. The numerical and in-vivo results have demonstrated the performance of our method to reconstruct the full-view image without artifacts.

研究の動機と目的

• トランスダーザの角度カバー範囲や組織の不均一性による限られた視野データに起因する、光超音波画像診断（PACT）におけるアーティファクトの持続的課題に対処すること。
• 実際の応用ではしばしば入手困難な高品質な教師データを必要とするPACTにおける教師あり深層学習の限界を克服すること。
• 教師あり学習を超えたアプローチを導入することで、教師データの品質依存性を低減する再構築フレームワークを開発すること。
• データ効率的で位置ごとの学習戦略を採用することで、限られた視野入力から高精度なフルビュー画像を再構築すること。

提案手法

• 限られた視野からフルビュー超音波画像へのマッピングを学習するため、残差ネットワークアーキテクチャを採用し、有効な特徴抽出とアーティファクト抑制を実現する。
• 限られた視野入力の位置ごとのデータのうち、四分の一のみを用いてモデルを学習することで、データ効率を向上させ、計算負荷を低減する。
• 再構築画像のアーティファクトを特に効果的に抑制することを目的とした2つの新規損失関数を設計する。
• 教師あり学習を超えたフレームワークとして、完全な教師データを必要としないため、現実のデータの不完全性に対しても頑健である。
• 空間的な位置情報を利用して再構築をガイドすることで、フルビュー出力全体にわたり構造的一致性を確保する。
• 事前仮定を最小限に抑えるために、限られた視野信号から直接フルビュー画像を生成するエンドツーエンドの学習を実施する。

実験結果

リサーチクエスチョン

• RQ1 完全な教師データに依存せずに、限られた視野データからフルビュー超音波画像を再構築できるか？
• RQ2 教師データが不完全または入手不可能な状況でも、教師あり学習を超えたアプローチがアーティファクトをどれほど効果的に低減できるか？
• RQ3 限られた視野超音波再構築において、アーティファクトを抑制するのに最も効果的な損失関数は何か？
• RQ4 位置ごとのデータ入力戦略は、最小限のデータ入力でも再構築品質を向上させられるか？
• RQ5 教師データの品質が低い状況下でも、残差ネットワークアーキテクチャがアーティファクト低減にどのように寄与するか？

主な発見

• BSR-Netは、完全な教師データがなくても、顕著にアーティファクトの少ないフルビュー超音波画像を再構築することに成功した。
• 教師データが損なわれた状況でも、標準的な教師ありアプローチを上回るアーティファクト抑制性能を示した。
• 提案された2つの新規損失関数は、学習段階でアーティファクトの発生を直接ターゲットにすることで、画像品質を顕著に向上させた。
• 数値実験の結果、限られた視野条件下でもBSR-Netはベースライン手法に比べて優れた画像忠実度を達成した。
• 生体内実験では、BSR-Netの実用的妥当性が確認され、明確なアーティファクト低減と構造的詳細の向上が得られた。
• 学習時に位置ごとのデータの四分の一しか使用しなくても、高い再構築品質を維持でき、データ効率性を実証した。