[論文レビュー] Sinogram interpolation for sparse-view micro-CT with deep learning neural network

Dong Xu, Swapnil Vekhande+1 more|arXiv (Cornell University)|Feb 9, 2019

Medical Imaging Techniques and Applications参考文献 19被引用数 5

ひとこと要約

本稿では、スパースビュー・マイクロCTにおける深層学習ベースのシンチグラム補間手法を提案し、90%のビュー欠落率において画像品質を顕著に向上させた。補間されたシンチグラムをフィルターバックプロジェクション（FBP）アルゴリズムに供給することで、従来の線形補間と比較してRMSEを低減し、SSIMを向上させた。

ABSTRACT

In sparse-view Computed Tomography (CT), only a small number of projection images are taken around the object, and sinogram interpolation method has a significant impact on final image quality. When the amount of sparsity (the amount of missing views in sinogram data) is not high, conventional interpolation methods have yielded good results. When the amount of sparsity is high, more advanced sinogram interpolation methods are needed. Recently, several deep learning (DL) based sinogram interpolation methods have been proposed. However, those DL-based methods have mostly tested so far on computer simulated sinogram data rather experimentally acquired sinogram data. In this study, we developed a sinogram interpolation method for sparse-view micro-CT based on the combination of U-Net and residual learning. We applied the method to sinogram data obtained from sparse-view micro-CT experiments, where the sparsity reached 90%. The interpolated sinogram by the DL neural network was fed to FBP algorithm for reconstruction. The result shows that both RMSE and SSIM of CT image are greatly improved. The experimental results demonstrate that this sinogram interpolation method produce significantly better results over standard linear interpolation methods when the sinogram data are extremely sparse.

研究の動機と目的

• 限られた投影データによるスパースビュー・マイクロCTにおける画像品質の悪化という課題に対処すること。
• シミュレーションデータだけでなく、実際の実験データに対しても有効な、深層学習ベースのシンチグラム補間手法を開発すること。
• 極めてスパースなシンチグラムデータにおけるアーチファクトやノイズを低減することで、画像再構成品質を向上させること。
• 90%のビュー欠落という極端なスパarsity条件下において、深層学習補間が従来の線形補間を上回ることを実証すること。

提案手法

• スパースなシンチグラムから密なシンチグラムへのマッピングを学習するために、残差学習ブロックを組み込んだU-Netアーキテクチャを用いる。
• 90%のビュー欠落率を示すマイクロCTスキャンの実験データを用いて、ネットワークをエンドツーエンドで訓練する。
• 周辺のビューからの空間的および角度的コンテキストを活用することで、欠落した投影ビューを予測する。
• 残差学習により勾配の流れが改善され、高スパarsity補間における訓練安定性が向上する。
• 補間されたシンチグラムは、標準的なフィルターバックプロジェクション（FBP）アルゴリズムを用いて再構成される。

実験結果

リサーチクエスチョン

• RQ1 深層学習ベースのシンチグラム補間手法は、90%のビュー欠落率下で実験的データから高品質なCT画像を再構成できるか？
• RQ2 提案手法である残差学習を組み込んだU-Netは、従来の線形補間と比較して、画像品質指標においてどのように優れているか？
• RQ3 深層学習モデルは、シミュレーションデータにとどまらず、実世界のマイクロCTデータに対しても一般化性能を示すか？
• RQ4 補間処理によって、最終的な再構成CT画像におけるアーチファクトやノイズはどの程度低減されるか？

主な発見

• 90%のスパarsity条件下において、線形補間と比較して、再構成CT画像のRMSEが顕著に低減された。
• 再構成画像のSSIM（構造的類似性指数）が著しく向上し、画像構造の保存性が向上していることが示された。
• 深層学習ベースの補間は、線形補間と比較して、著しく少ないストリークアーチファクトとノイズを生成した。
• 本手法は実験的データにおいても優れた性能を示し、シミュレーションにとどまらない実用的応用可能性が裏付けられた。