[論文レビュー] Using Uncertainty in Deep Learning Reconstruction for Cone-Beam CT of the Brain

Pengwei Wu, Alejandro Sisniega+8 more|arXiv (Cornell University)|Aug 20, 2021

Medical Imaging Techniques and Applications参考文献 8被引用数 13

ひとこと要約

本稿では、モンテカルロドロップアウトを用いた不確実性推定を物理情報に基づくフレームワークに統合することで、画像品質と病変の正確性を向上させる、深層学習ベースの回転コーンビームCT（CBCT）再構成手法DL-Reconを提案する。不確実性を考慮した合成とモデルベース再構成を統合することで、ノイズを約50％低減し、均一性を40–70％向上させるとともに、標準的なDL合成を上回る病変コントラストとセグメンテーション精度を実現する。

ABSTRACT

Contrast resolution beyond the limits of conventional cone-beam CT (CBCT) systems is essential to high-quality imaging of the brain. We present a deep learning reconstruction method (dubbed DL-Recon) that integrates physically principled reconstruction models with DL-based image synthesis based on the statistical uncertainty in the synthesis image. A synthesis network was developed to generate a synthesized CBCT image (DL-Synthesis) from an uncorrected filtered back-projection (FBP) image. To improve generalizability (including accurate representation of lesions not seen in training), voxel-wise epistemic uncertainty of DL-Synthesis was computed using a Bayesian inference technique (Monte-Carlo dropout). In regions of high uncertainty, the DL-Recon method incorporates information from a physics-based reconstruction model and artifact-corrected projection data. Two forms of the DL-Recon method are proposed: (i) image-domain fusion of DL-Synthesis and FBP (DL-FBP) weighted by DL uncertainty; and (ii) a model-based iterative image reconstruction (MBIR) optimization using DL-Synthesis to compute a spatially varying regularization term based on DL uncertainty (DL-MBIR). The error in DL-Synthesis images was correlated with the uncertainty in the synthesis estimate. Compared to FBP and PWLS, the DL-Recon methods (both DL-FBP and DL-MBIR) showed ~50% reduction in noise (at matched spatial resolution) and ~40-70% improvement in image uniformity. Conventional DL-Synthesis alone exhibited ~10-60% under-estimation of lesion contrast and ~5-40% reduction in lesion segmentation accuracy (Dice coefficient) in simulated and real brain lesions, suggesting a lack of reliability / generalizability for structures unseen in the training data. DL-FBP and DL-MBIR improved the accuracy of reconstruction by directly incorporating information from the measurements in regions of high uncertainty.

研究の動機と目的

• 従来のコーンビームCT（CBCT）における脳イメージングのコントラスト分解能の限界を解消すること。
• トレーニングデータに存在しない病変の一般化性能を向上させること。
• 空間分解能を保持したまま、CBCTにおけるノイズ低減と画像均一性の向上を図ること。
• 臨床的に関連する構造における病変コントラストとセグメンテーション精度を向上させること。
• 不確実性を活用してデータ駆動型再構成と物理ベース再構成の融合を導く手法を開発すること。

提案手法

• 深層学習による合成ネットワークが、補正されていないFBP再構成から洗練されたCBCT画像（DL-Synthesis）を生成する。
• 推論時にモンテカルロドロップアウトを用いて、DL-Synthesisにおけるボクセル単位のエピステミック的不確実性を推定する。
• 不確実性が高い領域では、アーチファクト補正済みの投影データを用いた物理ベース再構成を統合する。
• 2つのバリエーションを提案する：不確実性重み付きブレンドを用いてDL-SynthesisとFBPを融合するDL-FBP；不確実性を用いて反復再構成における空間的に変化する正則化項を定義するDL-MBIR。
• 不確実性推定値は、低信頼度領域における測定情報の優先順位を決定するために用いられ、信頼性の向上に寄与する。
• データ駆動型画像合成と整合的な物理モデリングを統合することで、耐障害性と正確性の両方を向上させるフレームワークを構築する。

実験結果

リサーチクエスチョン

• RQ1 深層学習における不確実性推定は、CBCT再構成において未学習の解剖的構造の一般化を向上させることができるか？
• RQ2 DL合成と物理ベース再構成の不確実性誘導融合が、ノイズや均一性といった画像品質指標に与える影響は何か？
• RQ3 標準的なDL合成と比較して、不確実性を考慮した再構成は、病変コントラストとセグメンテーション精度をどの程度向上させるか？
• RQ4 モンテカルロドロップアウトによる不確実性推定は、CBCTにおいて測定ベースの補正が必要な領域を効果的に同定できるか？
• RQ5 モデルベース再構成に不確実性を統合することで、低コントラスト脳構造における再構成の忠実度はどのように向上するか？

主な発見

• DL-Reconは、空間分解能を同等に保ったまま、FBPおよびPWLSと比較して画像ノイズを約50％低減した。
• 異なるスキャン条件下でDL-Recon手法を用いることで、画像均一性が40–70％向上した。
• 標準的なDL-Synthesisは、模擬的および実臨床的脳病変において、病変コントラストを10–60％低く推定し、病変セグメンテーション精度（Dice係数）を5–40％低下させた。
• DL-FBPおよびDL-MBIRは、高不確実性領域における測定データの統合により、病変コントラストとセグメンテーション精度を顕著に向上させた。
• DL-Synthesis画像の誤差は、推定された不確実性と強く相関しており、不確実性評価の信頼性が裏付けられた。
• 不確実性を考慮した統合戦略は、深層学習単体では信頼できない領域において物理モデル情報の優先順位を適切に設定し、全体の再構成忠実度を向上させた。