[論文レビュー] Using a Generative Adversarial Network for CT Normalization and its Impact on Radiomic Features

Leihao Wei, Yannan Lin+1 more|arXiv (Cornell University)|Jan 22, 2020

Radiomics and Machine Learning in Medical Imaging参考文献 16被引用数 4

ひとこと要約

本研究は、低線量および厚いスライスのCTスキャンを同時に標準線量・薄いスライスの基準画像に正規化する3次元生成対抗ネットワーク（GAN）を提案する。これにより、知覚的画像品質が向上し、画像特徴抽出特徴のばらつきが顕著に低減される。GANは、知覚的類似度を35%向上させ、9つの特徴のうち8つで画像特徴抽出特徴誤差を低減（p < 0.05）し、画像特徴抽出およびCADxシステムにおける異種CTプロトコルの標準化の可能性を示した。

ABSTRACT

Computer-Aided-Diagnosis (CADx) systems assist radiologists with identifying and classifying potentially malignant pulmonary nodules on chest CT scans using morphology and texture-based (radiomic) features. However, radiomic features are sensitive to differences in acquisitions due to variations in dose levels and slice thickness. This study investigates the feasibility of generating a normalized scan from heterogeneous CT scans as input. We obtained projection data from 40 low-dose chest CT scans, simulating acquisitions at 10%, 25% and 50% dose and reconstructing the scans at 1.0mm and 2.0mm slice thickness. A 3D generative adversarial network (GAN) was used to simultaneously normalize reduced dose, thick slice (2.0mm) images to normal dose (100%), thinner slice (1.0mm) images. We evaluated the normalized image quality using peak signal-to-noise ratio (PSNR), structural similarity index (SSIM) and Learned Perceptual Image Patch Similarity (LPIPS). Our GAN improved perceptual similarity by 35%, compared to a baseline CNN method. Our analysis also shows that the GAN-based approach led to a significantly smaller error (p-value &lt; 0.05) in nine studied radiomic features. These results indicated that GANs could be used to normalize heterogeneous CT images and reduce the variability in radiomic feature values.

研究の動機と目的

• CT撮影プロトコルの差異（線量レベルやスライス厚さなど）によって生じる画像特徴抽出特徴のばらつきを是正すること。
• 線量とスライス厚さを別々に扱うのではなく、同時に正規化する統合的深層学習手法の開発。
• トレーニングの安定性を確保するためのスペクトル正規化を用いた3次元GANを用いて、正規化されたCTスキャンの知覚的画像品質を向上させること。
• GANベースの正規化が、元の異種スキャンおよびCNNベースのベースラインと比較して、画像特徴抽出特徴の誤差を低減するかどうかを評価すること。
• 多様な撮影パrameterを想定した状況下で、正規化が画像特徴抽出特徴の一貫性に与える影響を評価し、堅牢なCADxシステムの実現を支援すること。

提案手法

• スペクトル正規化を施した3次元条件付きGANを、低線量（10%、25%、50%）および厚スライス（2.0mm）CTスキャンを標準線量（100%）および薄スライス（1.0mm）基準スキャンにマッピングするように学習した。
• 生成器ネットワークは、劣化した入力を用いて高品質で知覚的に現実的なCTボリュームを再構築する学習を行う一方、識別器は実際の基準スキャンと生成されたスキャンを区別する。
• モデルは、敵対的損失と知覚的損失の組み合わせを用いて学習され、画像品質はPSNR、SSIM、LPIPSで評価された。
• 比較のため、同じ入出力ペアを用いて平均二乗誤差（MSE）損失で学習されたベースラインCNNが使用された。
• テストスキャン内の結節から画像特徴抽出特徴が抽出され、元のスキャン、CNNで生成されたスキャン、GANで生成されたスキャンの間で比較され、基準値に対する誤差を定量化した。
• 特徴誤差の差の統計的有意性は、対応したWilcoxon符号順位検定（p < 0.05）を用いて評価された。

実験結果

リサーチクエスチョン

• RQ1 3次元GANは、1つの統合フレームワーク内で、低線量および厚スライスCTスキャンを標準基準プロトコルに効果的に正規化できるか？
• RQ2 LPIPS、PSNR、SSIMで測定した場合、GANベースの正規化はCNNベースラインと比較して、知覚的画像品質をより良くするか？
• RQ3 GANベースの正規化は、元の異種スキャンおよびCNNベースの出力と比較して、画像特徴抽出特徴の誤差をどの程度低減するか？
• RQ4 複数の特徴および正規化シナリオにおいて、画像特徴抽出特徴誤差の低減が統計的に有意であるか？
• RQ5 GANベースの正規化は、CADxシステムにとって重要なテクスチャおよび形状ベースの特徴の一貫性にどのように影響を与えるか？

主な発見

• LPIPSで測定した知覚的類似度は、CNNベースラインと比較してGANで35%向上した。特に線量10%、スライス厚さ2.0mmという極端な正規化シナリオで最大の向上が観察された。
• PSNRおよびSSIMの値は低かったが、GANで生成された画像は、特に結節縁の部分で鋭いエッジと豊かなテクスチャを示し、知覚的品質が優れていた。
• 元の異種スキャンと比較して、9つの画像特徴抽出特徴の平均誤差がGANベース手法で顕著に低減された（p < 0.05）。最大のp値は0.035であった。
• CNNベースラインと比較して、9つの画像特徴抽出特徴のうち8つで誤差が低減され、結果の表記ではアスタリスクで統計的有意性が示された。
• 正規化された画像では、画像特徴抽出特徴のばらつきが低減され、異なる撮影プロトコル間での一貫性が向上した。これは、信頼性の高いCADx性能に不可欠である。
• 本研究は、3次元GANによる線量とスライス厚さの同時正規化が、従来のノイズ除去やスーパーレゾリューションのみでは得られない、より信頼性が高く一貫性のある画像特徴抽出を可能にすることを示した。