[論文レビュー] Self-Supervised Learning based CT Denoising using Pseudo-CT Image Pairs

Dong Kyu Won, Euijin Jung+3 more|arXiv (Cornell University)|Apr 6, 2021

Medical Imaging Techniques and Applications参考文献 21被引用数 6

ひとこと要約

本稿では、低線量CT（LDCT）ノイズを模擬するために、事前に訓練されたノイズモデルのアンサンブルを用いて現実的な疑似CT画像ペアを生成する自己教師付きCTノイズ除去手法を提案する。これらの疑似ペアを繰り返し用いてノイズ除去モデルを精緻化することで、ラベル付きLDCT/NDCTペアを必要とせず、複数のベースライン手法よりも顕著に性能向上を達成し、2016年AAPMグランドチャレンジデータセットで最先端の結果を達成した。

ABSTRACT

Recently, Self-supervised learning methods able to perform image denoising without ground truth labels have been proposed. These methods create low-quality images by adding random or Gaussian noise to images and then train a model for denoising. Ideally, it would be beneficial if one can generate high-quality CT images with only a few training samples via self-supervision. However, the performance of CT denoising is generally limited due to the complexity of CT noise. To address this problem, we propose a novel self-supervised learning-based CT denoising method. In particular, we train pre-train CT denoising and noise models that can predict CT noise from Low-dose CT (LDCT) using available LDCT and Normal-dose CT (NDCT) pairs. For a given test LDCT, we generate Pseudo-LDCT and NDCT pairs using the pre-trained denoising and noise models and then update the parameters of the denoising model using these pairs to remove noise in the test LDCT. To make realistic Pseudo LDCT, we train multiple noise models from individual images and generate the noise using the ensemble of noise models. We evaluate our method on the 2016 AAPM Low-Dose CT Grand Challenge dataset. The proposed ensemble noise model can generate realistic CT noise, and thus our method significantly improves the denoising performance existing denoising models trained by supervised- and self-supervised learning.

研究の動機と目的

• 訓練用にペaired LDCTおよびNDCT画像が限られていることによる、頑健なCTノイズ除去モデルの訓練を困難にする問題に対処すること。
• 自己教師付き学習におけるランダムまたはガウスノイズの限界を克服し、実際のCTノイズ特性を反映しない問題を解決すること。
• 既存の教師ありおよび自己教師付きノイズ除去手法を向上させることを目的とした、モデルに依存しないフレームワークを構築すること。
• 個々のLDCT/NDCTペアで訓練されたノイズモデルのアンサンブルを活用して、高精細な疑似LDCT画像を生成すること。

提案手法

• 利用可能なLDCT/NDCTペアを用いて、LDCTからNDCTを予測するノイズ除去モデルを事前学習する。
• LDCTノイズモデルを複数個別に事前学習し、差分マップ（NDCT - LDCT）を推定することで、CT固有のノイズを表現する。
• テスト用LDCT画像にアンサンブルノイズモデルを適用して、現実的な疑似LDCTおよび疑似NDCT画像を生成し、疑似CT画像ペアを生成する。
• 生成された疑似CT画像ペアを自己教師付き学習の目的関数として用いて、ノイズ除去モデルを微調整する。
• ノイズモデルのアンサンブルを用いることで、生成ノイズの現実性と多様性を向上させ、単一のノイズパターンへの過学習を回避する。
• N2C、N2N、N2Vなどの既存モデルに本手法を適用し、モデルに依存しない性能向上を実証する。

実験結果

リサーチクエスチョン

• RQ1 ラベル付きLDCT/NDCTペアを必要とせず、疑似CT画像ペアを用いた自己教師付き学習がCTノイズ除去性能を向上させられるか？
• RQ2 アンサンブルノイズモデルは、ランダムまたはガウスノイズに比べて、より現実的なCTノイズを生成できるか？
• RQ3 提案手法は、既存の教師ありおよび自己教師付きノイズ除去手法に対して、モデルに依存しない形で性能向上をもたらすか？
• RQ4 生成された疑似LDCT画像の品質が、最終的なノイズ除去性能にどのように影響するか？

主な発見

• 提案手法は、N2C、N2N、N2Vを含む全テストベースラインモデルにおいて顕著な性能向上を示し、モデルに依存しない性質を実証した。
• アンサンブルノイズモデルは単一ノイズモデルやランダムノイズ（ガウス、ヒストグラム）を上回り、実際のCTノイズ特性に近い現実的なノイズを生成した。
• アンサンブルノイズモデルを用いて生成された疑似CT画像ペアは、ランダムノイズで生成されたものと比較して、重要なCT画像特徴を保持し、アーチファクトを低減した。
• 定量的評価では、本手法がベースライン手法よりも高いPSNRおよびSSIMスコアを達成しており、特にN2NやN2Vのような自己教師付きアプローチで最大の向上が見られた。
• 大規模なラベル付きデータにアクセスできない状況でも、2016年AAPM低線量CTグランドチャレンジデータセットで最先端の性能を達成した。
• アブレーションスタディにより、高品質な疑似LDCT画像生成が、効果的な自己教師付き微調整の鍵であることが確認された。劣悪な品質の疑似画像では性能が低下した。