[論文レビュー] Quantitative Comparison of Planar Coded Aperture Imaging Reconstruction Methods

Tobias Meißner, V. Rozhkov+3 more|arXiv (Cornell University)|Apr 29, 2022

Medical Imaging Techniques and Applications被引用数 4

ひとこと要約

本稿では、実験的ガンマカメラデータを用いた平面符号付きアパーチャーイメージング（CAI）の解析的手法とディープラーニングベースの再構成手法を定量的に比較する。低精細度の合成学習データを使用しても、カスタムに調整された畳み込みエンコーダデコーダ（CED）モデルが、MURAデコードやMLEMといった従来手法よりも再構成品質（対ノイズ比1.37～2.60倍向上）と速度（300 ms）の両面で優れていることを示しており、核医学におけるデータ駆動型手法の可能性を浮き彫りにしている。

ABSTRACT

Imaging distributions of radioactive sources plays a substantial role in nuclear medicine as well as in monitoring nuclear waste and its deposit. Coded Aperture Imaging has been proposed as an alternative to parallel or pinhole collimators, but requires image reconstruction as an extra step. Multiple reconstruction methods with varying run time and computational complexity have been proposed. Yet, no quantitative comparison between the different reconstruction methods has been carried out so far. This paper focuses on a comparison based on three sets of hot-rod phantom images captured with an experimental Gamma-camera consisting of a Tungsten-based MURA mask with a 2mm thick 256x256 pixelated CdTe semiconductor detector coupled to a Timepix readout circuit. Analytical reconstruction methods, MURA Decoding, Wiener Filter and a convolutional Maximum Likelihood Expectation Maximization (MLEM) algorithm were compared to data-driven Convolutional Encoder-Decoder (CED) approaches. The comparison is based on the contrast-to-noise ratio as it has been previously used to assess reconstruction quality. For the given set-up, MURA Decoding, the most commonly used CAI reconstruction method, provides robust reconstructions despite the assumption of a linear model. For single image reconstruction, however, MLEM performed best among analytical reconstruction methods, but took the longest with an average of 13s run time. The fastest reconstruction method is the Wiener Filter with 67ms and mediocre quality. The CED with a specifically tailored training set was able to succeed the most commonly used MURA decoding on average by a factor between 1.37 and 2.60 and a run time of around 300ms.

研究の動機と目的

• 実世界の実験設定において、平面符号付きアパーチャーイメージング（CAI）の解析的およびデータ駆動型再構成手法の性能を定量的に評価すること。
• 対ノイズ比（CNR）という標準的指標を用いて、複数の手法における再構成品質、計算時間、耐障害性のトレードオフを評価すること。
• 特に、応用分野に特化した学習データを用いたディープラーニングベースの再構成が、MURAデコードやMLEMといった確立された解析的手法を上回ることを検証すること。
• 今後のベンチマークのための、3体のホットロッド暗視体からの高解像度符号付きアパーチャー画像の公開可能なデータセットを提供すること。
• この文脈で初めて、畳み込みベースのMLEmアルゴリズムを再実装し、実験データ上で検証すること。

提案手法

• 研究では、256×256ピクセルのカドミウムテルルールド（CdTe）検出器と2 mm 厚のタングステンベースのMURAマスクを備えたガンマカメラから得られた実験的データを用い、固定のオブジェクト-カメラ距離で3体のホットロッド暗視体の画像を取得した。
• 解析的手法には、MURAデコード（線形モデル）、ウィーナー・フィルタ（周波数ドメインでのデコンボリューション）、および以前に提案された手法に基づく畳み込み型MLEmアルゴリズムが含まれる。
• データ駆動型手法では、合成データでトレーニングされた畳み込みエンコーダデコーダ（CED）ニューラルネットワークアーキテクチャを用い、2つのバリエーションがある：1つは自然写真を、もう1つはソース固有の合成暗視体を用いたもの。
• 再構成品質は、核医学分野で標準的な指標として用いられる対ノイズ比（CNR）を用いて、全暗視体および再構成タイプ全体で計算された。
• CEDは、近距離効果、透過、散乱を無視したシミュレーションデータでトレーニングされており、実験的データとはドメインギャップが生じている。
• すべての手法は、単一画像および二重画像再構成の両方のシナリオで評価され、光子統計と露出時間の変動に対する性能を評価した。

実験結果

リサーチクエスチョン

• RQ1 実験的データ上での既存の解析的CAI再構成手法（MURAデコード、ウィーナー・フィルタ、MLEM）は、再構成品質と計算時間の観点からどのように比較されるか？
• RQ2 合成データでトレーニングされたデータ駆動型ディープラーニングアプローチ（CED）は、再構成品質と速度の両面で解析的手法を上回ることができるか？
• RQ3 CEDの学習データに応用分野固有の事前知識を組み込むことで、汎用的学習データに比べて再構成性能が向上するか？
• RQ4 合成学習データと実験的実データとの間のドメインギャップが、データ駆動型CAI再構成の性能にどの程度影響を及えるか？
• RQ5 畳み込みベースのMLEmアルゴリズムは、実験的CAIデータ上で成功裏に再実装および検証可能であるか？また、他の解析的手法と比較してどうなるか？

主な発見

• 最も広く使用されている解析的手法であるMURAデコードは、線形システムモデルに依存しているものの、再構成が安定しており、信頼できるベースラインを提供する。
• 解析的手法の中で、MLEMは再構成品質が最も高く、平均して1回の再構成に13秒を要するが、これはリアルタイム応用には現実的ではない。
• ウィーナー・フィルタは最も高速で67 msの実行時間であるが、再構成品質は平均的であり、品質と速度のトレードオフが著しく悪いことが示された。
• 応用分野に特化した学習データを用いたCEDは、全3体の暗視体において、MURAデコードを1.37～2.60倍の対ノイズ比で上回り、優れた画像品質を示した。
• 調整済みのトレーニングデータを用いたCEDは、約300 msでこの改善を達成しており、MLEMをはるかに上回る速度でありながら、品質でもそれを上回った。
• 低精細度の合成学習データでさえも、CED手法は実験的データへの一般化能力を示しており、より良いシミュレーションによるドメインギャップ低減がさらなる性能向上をもたらす可能性を示唆している。