[論文レビュー] Pseudo Dual Energy CT Imaging using Deep Learning Based Framework: Initial Study

Sui Li, Yongbo Wang+5 more|arXiv (Cornell University)|Nov 20, 2017

Advanced X-ray and CT Imaging参考文献 2被引用数 10

ひとこと要約

本研究では、エネルギー特有の画像同士の高い相関性と類似性を活用して、単一エネルギーCT（SECT）スキャンから擬似デュアルエナジーCT（pDECT）画像を生成するための段階的深層畳み込みニューラルネットワーク（CD-ConvNet）を提案する。この手法は高精細なpDECT画像と正確な物質分解を実現し、定量的評価では基準DECT画像と良好な一致を示す（水：0.45 ± 1.02e-8、骨：0.061 ± 6.74e-9、平均 ± 標準偏差）。

ABSTRACT

Dual energy computed tomography (DECT) has become of particular interest in clinic recent years. The DECT scan comprises two images, corresponding to two photon attenuation coefficients maps of the objects. Meanwhile, the DECT images are less accessible sometimes, compared to the conventional single energy CT (SECT). This motivates us to simulate pseudo DECT (pDECT) images from the SECT images. Inspired by recent advances in deep learning, we present a deep learning based framework to yield pDECT images from SECT images, utilizing the intrinsic characteristics underlying DECT images, i.e., global correlation and high similarity. To demonstrate the performance of the deep learning based framework, a cascade deep ConvNet (CD-ConvNet) approach is specifically presented in the deep learning framework. In the training step, the CD-ConvNet is designed to learn the non-linear mapping from the measured energy-specific (i.e., low-energy) CT images to the desired energy-specific (i.e., high-energy) CT images. In the testing step, the trained CD-ConvNet can be used to yield desired high-energy CT images from the low-energy CT images, and then produce accurate basic material maps. Clinical patient data were employed to validate and evaluate the presented CD-ConvNet approach performance. Both visual and quantitative results demonstrate the presented CD-ConvNet approach can yield high quality pDECT images and basic material maps.

研究の動機と目的

• 従来の単一エネルギーCT（SECT）スキャンから擬似デュアルエナジーCT（pDECT）画像をシミュレートすることで、デュアルエナジーCT（DECT）の限られた利用可能性を克服すること。
• 特徴抽出を強化する段階的アーキテクチャを備えた深層学習を活用し、pDECT再構成における画像品質を向上させること。
• 臨床的患者データを用いた性能評価を通し、画像の視覚的再現性および物質分解の定量的正確性に焦点を当てること。
• CD-ConvNetが診断応用に適した信頼性の高いエネルギー特有画像を生成できることを示すこと。

提案手法

• 低エネルギーCT画像から高エネルギーCT画像への非線形写像を学習するため、複数のスタックされた畳み込みモジュール（各モジュールは畳み込み層、バッチ正則化層、ReLU層を含む）を備えた段階的深層畳み込みネットワーク（CD-ConvNet）を設計する。
• 最初の畳み込みネットワークが低エネルギーCT画像を初期の擬似高エネルギー画像に変換し、以降の段階的ネットワークが逐次的に出力を精緻化することで再構成品質を向上させる。
• ネットワークの訓練には平均二乗誤差（MSE）損失関数を用いる：$\mathcal{L}(\theta) = \frac{1}{N}\sum_{i=1}^{N}\|X_{\text{PseudoH}} - X_{H}\|^2$。予測された高エネルギー画像と基準高エネルギー画像の差を最小化する。
• ミニバッチ確率的勾配降下法（SGD）を最適化に用い、バッチサイズ128、モーメンタム0.7、重み減衰$10^{-4}$とする。
• フィルタ重みはガウス分布（$\mu=0$, $\sigma=\sqrt{2/M}$）で初期化され、バイアスはゼロに初期化される。
• 訓練には7名の患者から得た2,121枚のSECTスライス、テストには1名の患者から得た334枚のスライスを用い、回転を用いたデータ拡張によりサンプルの多様性を向上させる。

実験結果

リサーチクエスチョン

• RQ1 深層学習ベースのフレームワークは、高精細な再現性を達成しつつ、低エネルギーSECTスキャンから高エネルギーCT画像を効果的にシミュレートできるか？
• RQ2 CD-ConvNetの段階的アーキテクチャは、pDECT再構成において単一の畳み込みネットワークと比較して、どのように画像品質を向上させるか？
• RQ3 生成されたpDECT画像は、水や骨の等価割合マップのような正確な物質分解をどの程度可能にするか？
• RQ4 pDECTから得られる物質マップの定量的指標は、真のDECTスキャンのものとどの程度一致するか？

主な発見

• 視覚的検証により、CD-ConvNetが生成した擬似高エネルギーCT画像は基準高エネルギーCT画像とほとんど差がなく、明確な知覚的差異は認められない。
• 領域の拡大解析により、予測画像と基準画像の間で構造的および強度的類似性が強く確認された。
• 選択した線に沿った強度プロファイル比較では、CD-ConvNet出力と基準画像の間でほぼ同一の強度トレンドが確認された。
• pDECT画像からの平均水等価割合は0.45 ± 1.02×10⁻⁸であり、DECT基準値（0.46 ± 6.72×10⁻⁸）と良好に一致した。
• pDECTからの平均骨等価割合は0.061 ± 6.74×10⁻⁹であり、DECT基準値（0.053 ± 3.86×10⁻⁸）と比較してわずかに高いが、依然として強い一致を示した。
• 本手法はpDECT画像を用いた正確な物質分解を実現でき、デュアルエナジー対比を必要とする診断的応用における臨床的潜在的可能性を裏付けた。