[論文レビュー] Region of Interest focused MRI to Synthetic CT Translation using Regression and Classification Multi-task Network

Sandeep Kaushik, Mikael Bylund+13 more|arXiv (Cornell University)|Mar 30, 2022

Medical Imaging Techniques and Applications被引用数 5

ひとこと要約

本論文は、ゼロエコー時間（ZTE）MRIからの合成CT（sCT）生成を向上させるために、領域の注目（RoI）の局在化と骨のハンフリー単位（HU）回帰を同時に実行する複合損失関数を用いたマルチタスク深層学習フレームワークを提案する。この手法は、放射線治療において極めて重要な骨密度の正確性を向上させつつ、最小限の計算コストで全体的な画像の忠実性を維持する。

ABSTRACT

In this work, we present a method for synthetic CT (sCT) generation from zero-echo-time (ZTE) MRI aimed at structural and quantitative accuracies of the image, with a particular focus on the accurate bone density value prediction. We propose a loss function that favors a spatially sparse region in the image. We harness the ability of a multi-task network to produce correlated outputs as a framework to enable localisation of region of interest (RoI) via classification, emphasize regression of values within RoI and still retain the overall accuracy via global regression. The network is optimized by a composite loss function that combines a dedicated loss from each task. We demonstrate how the multi-task network with RoI focused loss offers an advantage over other configurations of the network to achieve higher accuracy of performance. This is relevant to sCT where failure to accurately estimate high Hounsfield Unit values of bone could lead to impaired accuracy in clinical applications. We compare the dose calculation maps from the proposed sCT and the real CT in a radiation therapy treatment planning setup.

研究の動機と目的

• MRIからの合成CT（sCT）生成における骨のHU値推定の不正確さという、放射線治療の線量計算精度を損なう深刻な課題に取り組む。
• 特に低容量で高HUの骨領域（例：頭蓋骨）におけるsCTの構造的・定量的正確性を向上させること。これらの領域は、標準的な画像変換においてしばしば軽視される。
• 全体の画像品質を損なうことなく、希なが高影響度の領域（例：皮質骨）に動的に重みを割り当てるトレーニングフレームワークを開発すること。
• 登録済みのMRI-CTペアを用いた臨床的実用性のある教師ありsCT生成パイプラインを実現すること。特に、頑健性と計算効率に重点を置く。

提案手法

• 空間分解能を保持し、中間層でのダウンサンプリングを回避するため、アトリウス畳み込みを用いたU-Netに類似したエンコーダ・デコーダアーキテクチャを採用する。
• 2つの主要なヘッドを備えたマルチタスクネットワークを設計する：(1) 特に骨領域を含む注目領域（RoI）を局在化する分類ヘッド、(2) RoI内でのHU値を予測する回帰ヘッド。
• 低容量で高HUの領域（例：250 HU以上）における正確な予測を優先する、空間的にスパースな損失関数を導入する。骨のピxlsを軟部組織よりも動的に強調する。
• 以下の3つの損失を組み合わせた複合損失関数を最適化に用いる：(a) 全体的なsCT正確性のためのグローバル回帰損失、(b) 骨のHU精度のためのRoIに焦点を当てた回帰損失、(c) RoI局在化のための分類損失。
• 3つの損失成分のバランスをとるために実験的タスク重み付けを採用し、今後の方向性として動的重み調整を検討する。
• ZTE-MRIとCTのコアジグレーション画像ペアを用いてモデルを学習する。MRIの優れた軟部組織コントラストとZTEシーケンスによる高コントラストな骨画像の両方の利点を活用する。

実験結果

リサーチクエスチョン

• RQ1 マルチタスク学習フレームワークは、標準的なグローバル回帰損失と比較して、低容量で高HUの骨領域におけるsCT生成の正確性を向上させることができるか？
• RQ2 注目領域（RoI）分類ヘッドを組み込むことで、sCTにおける骨構造の局在化および回帰正確性が向上するか？
• RQ3 高HU領域に重点を置いた空間的にスパースな損失関数は、放射線治療計画におけるsCTの全体的な性能と臨床的妥当性にどのように影響を与えるか？
• RQ4 本手法は、標準的なU-NetおよびGANベースのsCT生成手法と比較して、定量的HU正確性および線量計算の忠実性の面でどの程度優れているか？

主な発見

• 提案されたRoIに焦点を当てた損失は、単一タスク設定でもグローバル回帰損失と比較して骨のHU推定正確性を顕著に向上させる。
• RoI局在化のための分類ヘッドを追加することで、骨領域の正確性がさらに向上し、局在化と回帰の共同学習が性能向上に寄与することを示した。
• 複合損失を用いたマルチタスクフレームワークは、ベースラインモデルと比較して骨領域におけるHU平均絶対誤差（MAE）を低減し、特に900 HUピーク領域で改善が報告された。
• 後向きに実施された放射線治療計画比較において、本手法で生成された線量計算マップは、実CTからのマップと強く一致しており、臨床的実用性を裏付けた。
• わずかな計算リソースで、骨領域における優れた性能を維持しながらも、高い画像品質と全体的な正確性を保持した。
• 本フレームワークは柔軟性に富み、U-Netに限らず他のネットワークアーキテクチャへの応用も可能であり、より広範な臨床的展開が可能である。