[論文レビュー] Sinogram-consistency learning in CT for metal artifact reduction.

Hyoung Suk Park, Yong Eun Chung+3 more|arXiv (Cornell University)|Aug 2, 2017

Advanced X-ray and CT Imaging被引用数 15

ひとこと要約

本論文では、高減衰性材料によるビーム硬化アーチファクトを低減するため、深層学習に基づくシンチグラム整合性学習手法を提案する。金属インプラントに起因する不整合なシンチグラムを修復することで、多エネルギーCTにおけるビーム硬化効果を低減する。患者個別にシミュレートされた訓練データを用いて、金属由来のビーム硬化効果を学習し、シンチグラムの整合性を著しく向上させ、再構成画像におけるストリークアーチファクトやシャドーイングアーチファクトを低減する。

ABSTRACT

This paper proposes a sinogram consistency learning method to deal with beam-hardening related artifacts in polychromatic computerized tomography (CT). The presence of highly attenuating materials in the scan field causes an inconsistent sinogram, that does not match the range space of the Radon transform. When the mismatched data are entered into the range space during CT reconstruction, streaking and shading artifacts are generated owing to the inherent nature of the inverse Radon transform. The proposed learning method aims to repair inconsistent sinograms by removing the primary metal-induced beam-hardening factors along the metal trace in the sinogram. Taking account of the fundamental difficulty in obtaining sufficient training data in a medical environment, the learning method is designed to use simulated training data. We use a patient-type specific learning model to simplify the learning process. The quality of sinogram repair was established through data inconsistency-evaluation and acceptance checking, which were conducted using a specially designed inconsistency-evaluation function that identifies the degree and structure of mismatch in terms of projection angles. The results show that our method successfully corrects sinogram inconsistency by extracting beam-hardening sources by means of deep learning.

研究の動機と目的

• 金属インプラントなどの高減衰性材料によって引き起こされる多エネルギーCTにおけるビーム硬化アーチファクトに対処すること。
• ストリークアーチファクトやシャドーイングアーチファクトを引き起こす、ラドン変換の範囲空間から逸脱した不整合なシンチグラムを是正すること。
• 金属トレースに沿ったビーム硬化要因を特定・除去することで、シンチグラムを修復する学習ベースの手法を開発すること。
• 臨床現場における実患者データの限界を補うために、患者タイプに特化したシミュレート訓練データを用いて、限られた実データでも有効な学習を可能にすること。
• 異なるプロジェクション角度間での不一致を定量的に評価するカスタム不整合評価関数を用いて、シンチグラム修復の品質を評価すること。

提案手法

• シミュレートされたシンチグラム上で深層学習モデルを訓練し、金属物体が存在する状況下でのビーム硬化効果の補正を学習する。
• 不整合なシンチグラムから整合性のあるシンチグラムへのマッピングを簡素化するため、患者個別学習フレームワークを採用する。
• 特別に設計された不整合評価関数が、プロジェクション角度にわたるシンチグラム不一致の度合いと空間的構造を定量的に評価する。
• 不整合性を最小化するように学習させ、不整合なシンチグラムをラドン変換の有効範囲空間に投影するようにモデルを訓練する。
• 直接的な画像再構成ではなく、金属トレースに沿った主なビーム硬化要因の除去に焦点を当てる。
• ラドン変換の固有の構造を活用し、物理的に妥当なシンチグラム修復に向かって学習を誘導する。

実験結果

リサーチクエスチョン

• RQ1 深層学習は、多エネルギーCTにおけるビーム硬化によって生じる不整合なシンチグラムを効果的に修復できるか？
• RQ2 シミュレートデータで訓練されたモデルは、実臨床におけるCTスキャンの金属由来アーチファクトをどれほど効果的に低減できるか？
• RQ3 提案手法は、異なるプロジェクション角度にわたってシンチグラムの整合性をどの程度回復できるか？
• RQ4 患者個別学習アプローチは、汎用モデルと比較して、シンチグラム修復の精度と効率を向上させられるか？
• RQ5 不整合評価関数は、シンチグラム修復品質の向上をどのように定量的に評価し、ガイドするか？

主な発見

• 提案手法は、深層学習を用いて金属トレースに沿ったビーム硬化要因を特定・除去することで、シンチグラムの不整合を著しく低減した。
• 不整合評価関数は、シンチグラム不一致の度合いと角度方向の構造を効果的に定量化し、的確な改善を可能にした。
• 患者個別学習モデルは、個々の解剖的特徴に適応することで、シンチグラム修復の精度を向上させた。
• シンチグラムの根本的不整合を是正することで、再構成画像におけるアーチファクトを顕著に低減した。
• 実患者データが限られる臨床環境においても、シミュレート訓練データの使用により、効果的な学習が可能となった。
• 結果として、学習ベースのシンチグラム修復が、ストリークアーチファクトやシャドーイングアーチファクトを低減し、画像品質を向上させることを示した。