[論文レビュー] Self-supervised Dynamic CT Perfusion Image Denoising with Deep Neural Networks

Dufan Wu, Hui Ren+1 more|arXiv (Cornell University)|May 19, 2020

Image and Signal Denoising Methods参考文献 64被引用数 4

ひとこと要約

本論文は、高線量の参照画像を必要とせず、隣接フレーム間の時間的相関を活用することで、自己教師付き深層学習手法を用いて動的CT灌注画像のノイズ除去を実現する手法を提案する。この手法は、Noise2Noiseスタイルの学習を採用しており、各フレームをその隣接フレームから予測することで、独立したノイズを効果的に除去し、実臨床データにおいて教師ありおよび従来のノイズ除去手法と比較して優れた画像品質とコントラストノイズ比（CNR）を達成する。

ABSTRACT

Dynamic computed tomography perfusion (CTP) imaging is a promising approach for acute ischemic stroke diagnosis and evaluation. Hemodynamic parametric maps of cerebral parenchyma are calculated from repeated CT scans of the first pass of iodinated contrast through the brain. It is necessary to reduce the dose of CTP for routine applications due to the high radiation exposure from the repeated scans, where image denoising is necessary to achieve a reliable diagnosis. In this paper, we proposed a self-supervised deep learning method for CTP denoising, which did not require any high-dose reference images for training. The network was trained by mapping each frame of CTP to an estimation from its adjacent frames. Because the noise in the source and target was independent, this approach could effectively remove the noise. Being free from high-dose training images granted the proposed method easier adaptation to different scanning protocols. The method was validated on both simulation and a public real dataset. The proposed method achieved improved image quality compared to conventional denoising methods. On the real data, the proposed method also had improved spatial resolution and contrast-to-noise ratio compared to supervised learning which was trained on the simulation data

研究の動機と目的

• 動的CT灌注（CTP）画像における高線量被曝の課題に対処し、効果的な画像ノイズ除去を伴う低線量CTPを実現すること。
• CTPノイズ除去のための深層学習モデルの学習に、ペairedな高線量参照画像を不要とする。
• 隣接するCTPフレーム間の時間的相関を活用した自己教師付き手法を開発し、画像品質および診断的信頼性を向上させること。
• シミュレートされたおよび実世界のCTPデータセット上で本手法を検証し、教師ありおよび従来のノイズ除去技術と比較して性能向上を示すこと。

提案手法

• 本手法は、Noise2Noiseに基づく自己教師付き学習フレームワークを採用しており、各低線量CTPフレームがその時間的隣接フレームから予測される。
• ネットワークは、ノイズのない入力フレームを、隣接フレームからの時間的文脈のみを用いてノイズ除去推定値にマッピングするように学習される。この際、フレーム間でノイズが独立していると仮定する。
• 学習目的は、ネットワーク出力とターゲットフレームとの平均二乗誤差を最小化することであり、ターゲットフレームは同一の根本的構造のノイズありバージョンであると仮定する。
• 本手法は、ソースフレームとターゲットフレームのノイズが独立でゼロ平均であるという仮定に依存しており、真の画像が不明であっても、効果的なノイズ除去が可能である。
• 空間的・時間的ノイズ除去を効果的に行うために、U-Netベースの深層ニューラルネットワークを採用する。
• 本手法は、シミュレートされた低線量CTPデータおよび公的で実際のCTPデータセットの両方で検証され、教師ありおよび従来のノイズ除去ベースラインと性能を比較した。

Figure 1: Proposed Noise2Noise framework for CTP denoising. The blue lines demonstrate the inputs to the network. The orange lines demonstrate the estimation of $\mathbf{c}(t)$ . Averaging over early frames are not demonstrated for the simplicity of the figure.

実験結果

リサーチクエスチョン

• RQ1 自己教師付き深層学習は、高線量参照スキャンが不要な状態で、動的CT灌注画像のノイズ除去を効果的に行えるか？
• RQ2 シミュレートデータで学習し、実データでテストした場合、自己教師付きノイズ除去の性能は教師あり学習手法と比べてどの程度優れているか？
• RQ3 隣接するCTPフレーム間の時間的相関は、画像ノイズ除去品質およびコントラストノイズ比や空間分解能といった診断的特徴の保持に、どの程度寄与するか？
• RQ4 ノイズの独立性およびゼロ平均の仮定は、CTPノイズ除去におけるNoise2Noiseベースの学習目的の収束性および有効性にどのような影響を及えるか？
• RQ5 本手法は、高線量データの再学習を必要とせずに、さまざまなスキャンプロトコルに一般化可能か？

主な発見

• 提案された自己教師付き手法は、シミュレートおよび実CTPデータの両方で、従来のノイズ除去手法よりも優れた画像品質を達成した。
• 実CTPデータにおいて、本手法は、シミュレートデータで学習した教師あり学習モデルと比較して、空間分解能およびコントラストノイズ比（CNR）の面で優れた性能を示した。
• 高線量参照画像が入手不可であっても、隣接フレーム間の時間的相関を活用することで、効果的なノイズ除去が実現された。
• 理論的分析により、ノイズが独立でゼロ平均であるという仮定のもとで、Noise2Noiseの目的関数が真の根本的画像に収束することが確認され、本手法の学習原理の妥当性が裏付けられた。
• 高線量データの要件がないため、さまざまなスキャンプロトコルに対して頑健であり、臨床応用が容易であることが示された。
• 虚血性ストロークの診断に不可欠な血行動態的パラメトリックマップの精度を、優れた精度で保持した。

Figure 2: Part of the training and testing dataset. The simulation images were under noise level of $N_{0}=2\times 10^{5}$ . The first row showed the first frame, the second showed the frame at the peak of the time-concentration curve. The display windows are $40\pm 80$ HU.