[論文レビュー] Ring Artifact Correction in Photon-Counting Spectral CT Using a Convolutional Neural Network With Spectral Loss

Dennis Hein, Konstantinos Liappis+3 more|arXiv (Cornell University)|Feb 2, 2023

Advanced X-ray and CT Imaging被引用数 4

ひとこと要約

本稿では、物質ベース画像におけるL1損失と70 keVの仮想単エネルギー画像における知覚損失を組み合わせた新規スペクトル損失を備えたUNetを用いた、光子計数型スペクトルCTにおけるリングアーチファクト補正の深層学習ベースの事後処理手法を提案する。この手法は、細かな解剖学的特徴を保持しながら効果的にリングアーチファクトを低減し、リアルタイムの検出器キャリブレーションを必要とせずに、高品質な40、70、100 keVの仮想単エネルギー画像を生成する。

ABSTRACT

Photon-counting spectral computed tomography is now clinically available. These new detectors come with the promise of higher contrast-to-noise ratio and spatial resolution and improved low-dose imaging. However, one important design consideration is to build detector elements that are sufficiently homogeneous. In practice, there will always be a degree of inhomogeneity in the detector elements, which will materialize as variations in the energy bin thresholds. Without proper detector calibration, this will lead to streak artifacts in the sinograms and corresponding ring artifacts in the reconstructed images, which limit their clinical usefulness. Since detector calibration is a time-consuming process, having access to a fast ring correction technique may greatly improve workflow. In this paper, we propose a deep learning-based post-processing technique for ring artifact correction in photon-counting spectral CT. We train a UNet with a custom loss to correct for ring artifacts in the material basis images. Our proposed loss is made ``task-aware'' by explicitly incorporating the fact that we are working with spectral CT by combining a L1-loss operating on the material basis images with a perceptual loss, using VGG16 as feature extractor, operating on 70 keV virtual monoenergetic images. Our results indicate that using this novel loss greatly improves performance. We demonstrate that our proposed method can successfully produce ring corrected 40, 70, and 100 keV virtual monoenergetic images.

研究の動機と目的

• 検出器の不均一性およびエネルギーしきい値のばらつきに起因する光子計数型スペクトルCTにおけるリングアーチファクトの低減。
• 時間のかかる検出器キャリブレーションの代わりに、高速な事後処理手法の開発。
• リングアーチファクトの補正によりスペクトルCTの画像品質を向上させるとともに、診断に必要な細かな特徴を保持すること。
• L1損失と知覚損失を組み合わせたタスクに適応した損失関数の有効性の検証。
• 複数のエネルギーレベルにおける臨床的関連性の高い仮想単エネルギー画像を対象に、手法の評価。

提案手法

• リングアーチファクトを物質ベース画像のドメインで直接補正するためのU-Netアーキテクチャを訓練。
• 物質ベース画像におけるピixcel単位のL1損失と、70 keVの仮想単エネルギー画像における知覚損失を組み合わせたカスタムスペクトル損失関数を採用。
• 知覚損失は事前学習済みのVGG16ネットワークの特徴を用い、テクスチャおよび構造的特徴の保持を図る。
• 胸部および腹部の臨床的CTスキャンから抽出した512×512ピクセルのパッチを用いて訓練。
• 極座標空間への座標変換を不要とすることで、実装を簡素化。
• 忠実度と知覚的品質の両立を図るべく、L1損失と知覚損失の組み合わせを用いてエンドツーエンドで訓練。

実験結果

リサーチクエスチョン

• RQ1 シングラムドメイン処理に依存せずに、深層学習モデルが光子計数型スペクトルCTにおけるリングアーチファクトを効果的に補正できるか。
• RQ2 L1損失と知覚損失を組み合わせたスペクトル損失が、アーチファクト補正を向上させるとともに、細かな解剖学的特徴を保持できるか。
• RQ3 仮想単エネルギー画像における複数のエネルギーレベル（40、70、100 keV）にわたって、この手法の一般化性能はどの程度か。
• RQ4 訓練データが限られている頭部領域のような挑戦的な解剖学的領域において、モデルがリングアーチファクトを適切に処理できるか。
• RQ5 標準的なL1またはL2損失関数よりも、提案されたスペクトル損失がスペクトルCTのリング補正においてより効果的か。

主な発見

• 提案手法は、残留アーチファクトが最小限に抑えられた40、70、100 keVのリング補正済み仮想単エネルギー画像を効果的に生成した。
• L1損失と知覚損失を組み合わせたスペクトル損失の導入により、標準的な損失関数と比較して画像品質が顕著に向上した。
• ネットワークは細かなディテールやテクスチャを保持しており、L1のみのアプローチで見られる過剰な平滑化を回避した。
• 体幹スキャン（胸部および腹部）では良好な性能を示したが、訓練データが不足する頭部領域ではリングアーチファクトの補正に難あり。
• 敵対的損失（WGAN-GP）を用いた初期実験では性能向上が見られず、計算コストが高いため中止された。
• スペクトルCTにおける一般化性能を確保するには、512×512のパッチサイズが不可欠であり、128×128などの小規模なパッチでは性能が著しく低下した。