[論文レビュー] Prediction of low-keV monochromatic images from polyenergetic CT scans for improved automatic detection of pulmonary embolism

Constantin Seibold, Matthias A. Fink+5 more|arXiv (Cornell University)|Feb 2, 2021

Advanced X-ray and CT Imaging参考文献 10被引用数 6

ひとこと要約

本論文は、従来の多エネルギーCTスキャンから低keV単エネルギー（monoE）CT画像を予測するための共同最適化フレームワークを提案する。このフレームワークは、画像生成品質の向上と、より良い自動肺塞栓症（PE）検出の両方を同時に実現する。分類損失と画像変換を統合することで、RSNA-PEチャレンジデータセットで0.8420のAuROCを達成した。これはベースライン手法や元の多エネルギーCT入力（0.8142）を著しく上回った。

ABSTRACT

Detector-based spectral computed tomography is a recent dual-energy CT (DECT) technology that offers the possibility of obtaining spectral information. From this spectral data, different types of images can be derived, amongst others virtual monoenergetic (monoE) images. MonoE images potentially exhibit decreased artifacts, improve contrast, and overall contain lower noise values, making them ideal candidates for better delineation and thus improved diagnostic accuracy of vascular abnormalities. In this paper, we are training convolutional neural networks~(CNN) that can emulate the generation of monoE images from conventional single energy CT acquisitions. For this task, we investigate several commonly used image-translation methods. We demonstrate that these methods while creating visually similar outputs, lead to a poorer performance when used for automatic classification of pulmonary embolism (PE). We expand on these methods through the use of a multi-task optimization approach, under which the networks achieve improved classification as well as generation results, as reflected by PSNR and SSIM scores. Further, evaluating our proposed framework on a subset of the RSNA-PE challenge data set shows that we are able to improve the Area under the Receiver Operating Characteristic curve (AuROC) in comparison to a na\"ive classification approach from 0.8142 to 0.8420.

研究の動機と目的

• 従来のCTとスペクトルCTの間のギャップを埋めるために、標準的な多エネルギースキャンから合成された低keV単エネルギー画像を生成すること。
• 診断的に重要な特徴を保持する合成単エネルギー画像を用いてモデルを訓練することで、自動肺塞栓症検出を改善すること。
• 既存の画像変換モデルには、視覚的に正確な画像を生成するが、下流分類性能を損なうという限界があること。
• 画像生成と疾患分類を同時に最適化するエンドツーエンドのマルチタスク学習フレームワークを開発すること。

提案手法

• L1損失を用いて画像再構成を行うことで、多エネルギーCT画像を合成された低keV単エネルギー画像にマッピングする条件付き生成モデル（ジェネレータ）を訓練する。
• 生成された単エネルギー画像上で肺塞栓症の有無を予測するResNet-50分類器ヘッドを統合し、共有の訓練目的を設定する。
• 各訓練バッチに50％のラベル付きPEデータ（分類用）と50％の対応する多エネルギー／単エネルギー画像データ（画像変換用）を含める共同最適化スキームを採用し、マーカー変数で制御する。
• ピxlsレベルの再構成損失（L1）と分類損失（バイナリクロスエントロピー）を統合した訓練目的で、診断的に関連する特徴を保持する。
• ジェネレータが視覚的に正確な画像（高いPSNR/SSIM）を生成するだけでなく、分類に最適な画像を生成できるようにするマルチタスク訓練を採用する。
• 既存の画像変換アーキテクチャ（例：Pix2Pix, Pix2PixHD, CRN）を共同学習フレームワークに適応し、アブレーションスタディで性能を比較する。

実験結果

リサーチクエスチョン

• RQ1 深層画像変換モデルは、従来の多エネルギースキャンから低keV単エネルギーCT画像を効果的に生成できるか？
• RQ2 高PSNR/SSIMの出力を生成する既存の画像変換手法は、正確な肺塞栓症検出に必要な特徴を保持しているか？
• RQ3 画像生成と分類の共同最適化により、実際の単エネルギー画像や標準的な多エネルギースキャンを上回る診断性能が達成できるか？
• RQ4 画像変換の訓練中に分類損失を組み込むことで、分離したジェネレータと分類器ネットワークを訓練するのと比較して、病変検出のための特徴学習が向上するか？

主な発見

• 提案された共同最適化フレームワークは、PSNR 41.706、SSIM 0.984を達成し、すべてのベースライン画像変換手法を上回る画像再構成品質を実現した。
• PSNRとSSIMのスコアは類似しているが、L1損失ベースのモデルやベースラインモデルでは分類性能が低下し、AuROCはそれぞれ0.8102および0.8051に低下した。
• 提案手法は、RSNA-PEチャレンジデータセットで肺塞栓症検出のAuROCを0.8420まで向上させ、ベースラインの多エネルギーCT入力（0.8142）を上回った。
• 特徴損失ベースのモデル（例：CRN、CRN*）は、再構成が著しく劣り、SSIM 0.371、PSNR 19.482にとどまり、意味のある画像マッピングを学習できなかった。
• 共同訓練戦略により、診断的に関連する特徴が効果的に保持された。これは、実際の単エネルギー画像を訓練中に使用していないにもかかわらず、分類性能が向上したことに裏付けられる。
• 画像忠実度と分類精度の両面で、Pix2PixHD*、CRN*、SPLを含むすべての比較モデルを上回った。エンドツーエンドのマルチタスク学習の有効性が示された。