[論文レビュー] Sparse-View Spectral CT Reconstruction Using Deep Learning

Wail Mustafa, Christian Kehl+5 more|arXiv (Cornell University)|Nov 30, 2020

Advanced X-ray and CT Imaging参考文献 78被引用数 6

ひとこと要約

本論文では、スパarselyビュー投影からの高品質なスペクトルCT画像再構成を目的として、マルチチャネルU-Netを用いたディープラーニングベースの手法を提案する。共有畳み込み層を用いて全スペクトルチャネルを同時に処理することで、最先端の反復的手法よりも高速な推論と優れた画像品質を達成するとともに、チャネル間相関を効果的に活用してノイズとアーチファクトを低減する。

ABSTRACT

Spectral computed tomography (CT) is an emerging technology capable of providing high chemical specificity, which is crucial for many applications such as detecting threats in luggage. This type of application requires both fast and high-quality image reconstruction and is often based on sparse-view (few) projections. The conventional filtered back projection (FBP) method is fast but it produces low-quality images dominated by noise and artifacts in sparse-view CT. Iterative methods with, e.g., total variation regularizers can circumvent that but they are computationally expensive, as the computational load proportionally increases with the number of spectral channels. Instead, we propose an approach for fast reconstruction of sparse-view spectral CT data using a U-Net convolutional neural network architecture with multi-channel input and output. The network is trained to output high-quality CT images from FBP input image reconstructions. Our method is fast at run-time and because the internal convolutions are shared between the channels, the computational load increases only at the first and last layers, making it an efficient approach to process spectral data with a large number of channels. We have validated our approach using real CT scans. Our results show qualitatively and quantitatively that our approach outperforms the state-of-the-art iterative methods. Furthermore, the results indicate that the network can exploit the coupling of the channels to enhance the overall quality and robustness.

研究の動機と目的

• 従来のFBP手法がノイズが多く、アーチファクトを含む画像を生成するスパarselyビュースペクトルCTにおける低品質再構成の課題に対処すること。
• 高チャネル数のスペクトルCTデータに適用する際、ART-TV や TNV といった反復的手法が計算的に非現実的であるという課題を克服すること。
• スペクトルチャネルの結合を活用することで、より優れた画像品質を実現する、高速でスケーラブルかつ耐障害性の高い再構成手法を開発すること。
• ディープラーニングがスパarselyビュースペクトルCTにおいて、速度および再構成品質の両面で反復的手法を上回ることを示すこと。

提案手法

• FBPで再構成された画像（ノイズとアーチファクトを含む）を入力とし、高品質なスペクトルCT画像に変換するマルチチャネルU-Net畳み込みニューラルネットワークを訓練する。
• スペクトルチャネル間で畳み込み層を共有することで、計算コストを低減し、多数のチャネルを効率的に処理できるようにする。
• ネットワークの入力はマルチチャネルFBP再構成画像であり、出力はアーチファクト低減された洗練されたスペクトルCTボリュームである。
• 実際のCTスキャンデータを用いて、スペクトルチャネル全体の再構成誤差を最小化する損失関数を用いて、エンドツーエンドで訓練する。
• アーキテクチャによりスペクトルチャネルの共同処理が可能となり、モデルがチャネル間相関を活用して耐性を向上させることができる。
• CPUおよびGPU実装を用いて評価し、ART-TV、FBP、DSIR（FBP + CNN）のベースラインと比較する。

実験結果

リサーチクエスチョン

• RQ1 FBP再構成画像を学習データとして用いたディープラーニングモデルは、スパarselyビュースペクトルCTにおいて顕著に画像品質を向上させることができるか？
• RQ2 共有畳み込み層によるスペクトルチャネルの共同処理は、独立したチャネル処理と比較して、より優れた再構成品質と計算効率をもたらすか？
• RQ3 特定のスペクトルチャネルに高いノイズが存在する、または低エネルギーチャネルに金属アーチファクトが影響を与える状況下でも、モデルの性能はどのように変化するか？
• RQ4 提案手法は、ART-TV や TNV といった最先端の反復的手法と比較して、速度および画像品質の両面で優れているか？
• RQ5 スペクトルチャネル結合は、再構成の耐性および一貫性をどの程度向上させるか？

主な発見

• 提案手法は、ART-TV や FBP と比較して顕著に優れた画像品質を達成しており、定量的（例：SSIMが高く、RMSEが低い）および定性的に優れている。
• GPU上での実行速度は、ART-TV より約37倍高速であり、市販のディープラーニングライブラリを用いても、CNNベースラインより7倍速い。
• ネットワークはFBPよりもノイズとアーチファクトの低減をより効果的に行い、DSIR（FBP + CNN）の再構成品質を上回っている。
• ノイズの高いチャネルや金属アーチファクトに対して、モデルは耐性を示しており、チャネル間の一貫性を効果的に活用していることが示唆される。
• 計算複雑度はCNN推論に起因し、FBPステップに起因しない。32チャネル処理の時間はGPU上でわずか6.4 msである。
• 結果から、チャネル結合により、劣化したチャネルを健全なチャネルが補完できるようになり、全体の耐性が向上することが明らかになった。