[論文レビュー] Sinogram super-resolution and denoising convolutional neural network (SRCN) for limited data photoacoustic tomography

Navchetan Awasthi, Rohit Pardasani+3 more|arXiv (Cornell University)|Jan 17, 2020

Photoacoustic and Ultrasonic Imaging参考文献 28被引用数 18

ひとこと要約

本稿では、限られた検出器データからの画像品質を向上させるために、写真超音波トモグラフィ（PAT）のための深層学習ベースのシンチグラムスーパーレゾリューションおよびノイズ除去畳み込みニューラルネットワーク（SRCN）を提案する。7層のCNNを用いて残差学習によりシンチグラムデータのスーパーレゾリューションとノイズ除去を実行することで、アーチファクトとノイズを低減し、数値的および生体内実験の両方で、従来の補間法およびウェーブレットノイズ除去手法と比較して、最大41.70%低いRMSEと6.93 dB高いPSNRを達成した。

ABSTRACT

The quality of the reconstructed photoacoustic image largely depends on the amount of photoacoustic (PA) boundary data available, which in turn is proportional to the number of detectors employed. In case of limited data (owing to less number of detectors due to cost/instrumentation constraints), the reconstructed PA images suffer from artifacts and are often noisy. In this work, for the first time, a deep learning based model was developed to super resolve and denoise the photoacoustic sinogram data. The proposed method was compared with existing nearest neighbor interpolation and wavelet based denoising techniques and was shown to outperform them both in numerical and in-vivo cases. The improvement obtained in Root Mean Square Error (RMSE) and Peak Signal to Noise Ratio (PSNR) for the reconstructed PA image using the sinogram data that was super-resolved and denoised using proposed neural network based method was as high as 41.70 % and 6.93 dB respectively compared to utilizing limited sinogram data.

研究の動機と目的

• PATにおける限られた検出器データが原因で生じる写真超音波画像の品質低下を是正すること。
• 再構成の忠実度を向上させるために、シンチグラムデータのスーパーレゾリューションとノイズ除去を実行するデータ駆動型の深層学習モデルを開発すること。
• 数値的および生体内設定の両方で、最近傍補間法や離散ウェーブレット変換（MODWT）によるノイズ除去といった従来手法を上回ること。
• 任意の次元のシンチグラムデータに適用可能な汎用的で完全にデータ駆動のフレームワークを提供すること。

提案手法

• 50個の検出器で得られた低分解能・ノイズ混在のシンチグラムから高分解能・ノイズ除去済みシンチグラムを予測する7層の畳み込みニューラルネットワーク（SRCN）を訓練する。
• ネットワークは残差学習を採用し、各畳み込み層の後にReLU活性化関数とバッチ正則化を適用し、ノイズ除去済みシンチグラム再構成のための残差マップを出力する。
• 入力シンチグラムは、事前に最近傍補間法を用いて100個の検出器位置にアップサンプリングされる。
• 予測値と真値のシンチグラム間の平均二乗誤差（MSE）を損失関数とし、最適化にはAdamを用いてエンドツーエンドでモデルを訓練する。
• アーキテクチャは、数値的アーチファクト（Shepp-Logan、Derenzo）および生体内ラット脳データを用いて評価され、再構成品質はRMSEおよびPSNRで評価された。
• 本手法は完全にオープンソースであり、PythonおよびMATLABでデータセット生成、モデル訓練、推論用のコードが提供されている。

実験結果

リサーチクエスチョン

• RQ1 限られた検出器データからの写真超音波シンチグラムに対して、深層学習モデルが効果的にスーパーレゾリューションとノイズ除去を実行し、再構成品質を向上させられるか。
• RQ2 提案されたSRCNモデルは、従来の補間法およびウェーブレットベースのノイズ除去手法と比較して、アーチファクト低減およびノイズ抑制の観点でどのように優れているか。
• RQ3 SNR（信号対雑音比）やアーチファクト設定の変動に対して、SRCNモデルはどの程度一般化可能か。
• RQ4 限られた検出器取得データを用いた実際の生物学的データに適用した場合、SRCNモデルは生体内写真超音波画像品質を向上させられるか。

主な発見

• 生体内ラット脳データにおいて、SRCN手法は50個の検出器での再構成と比較して、RMSEを41.70%低減し、PSNRを6.93 dB向上させた。
• 60 dB SNRの数値的アーチファクトにおいて、SRCNは最近傍補間法およびMODWTノイズ除去と比較して、RMSEを41.70%低減し、PSNRを4.26 dB向上させた。
• Derenzoアーチファクトにおいて、SRCNはアーリアシングアーチファクトのため他の再構成手法で識別不能だった小径の円を明確に可視化できた。
• 20、40、60 dBの全SNRレベルにおいて、SRCNは最近傍補間法およびMODWTベースのノイズ除去を常に上回り、RMSEおよびPSNRの両面で一貫した改善を示した。
• 本手法は、特に生体内データにおいて、背景ノイズの低減と構造アーチファクトの低減に成功したが、構成ミスマッチによる一部の構造欠落は依然として見られた。
• SRCNは未観測データに対しても強力な一般化能力を示し、限られたデータを伴う実世界のPATシナリオにおける耐障害性と適用可能性を裏付けた。