[論文レビュー] Wavelet Domain Residual Network (WavResNet) for Low-Dose X-ray CT Reconstruction

Eun‐Hee Kang, Junhong Min+1 more|arXiv (Cornell University)|Mar 4, 2017

Advanced X-ray and CT Imaging被引用数 4

ひとこと要約

本稿では、方向性ウェーブレット係数からのノイズの直接推定と除去を可能にするウェーブレット領域の残差ネットワーク、WavResNetを提案する。従来のディープラーニングおよびMBIR手法と比較して、細かい模様の保持と画像品質が顕著に向上する。

ABSTRACT

Model based iterative reconstruction (MBIR) algorithms for low-dose X-ray CT are computationally complex because of the repeated use of the forward and backward projection. Inspired by this success of deep learning in computer vision applications, we recently proposed a deep convolutional neural network (CNN) for low-dose X-ray CT and won the second place in 2016 AAPM Low-Dose CT Grand Challenge. However, some of the texture are not fully recovered, which was unfamiliar to some radiologists. To cope with this problem, here we propose a direct residual learning approach on directional wavelet domain to solve this problem and to improve the performance against previous work. In particular, the new network estimates the noise of each input wavelet transform, and then the de-noised wavelet coefficients are obtained by subtracting the noise from the input wavelet transform bands. The experimental results confirm that the proposed network has significantly improved performance, preserving the detail texture of the original images.

研究の動機と目的

• 従来のディープラーニングモデルが低線量CT画像における細かい模様の回復に限界を示す問題に対処すること。
• モデルベース反復再構成（MBIR）の計算負荷を軽減しながら、画像品質を維持すること。
• 低線量スキャンでしばしば失われる模様の詳細を回復させることで、放射線診断の信頼性を向上させること。
• ウェーブレット領域で直接動作するディープラーニングフレームワークを構築することにより、より効果的なノイズモデリングを実現すること。

提案手法

• ネットワークは方向性ウェーブレット領域で動作し、入力の低線量CT画像を多スケールかつ多方向のサブバンドに分解する。
• 深層畳み込みニューラルネットワークを用いて、各ウェーブレットサブバンドに存在する残差ノイズを推定する。
• 予測されたノイズを入力ウェーブレット係数から差し引くことで、ノイズ除去されたウェーブレット係数を取得する。
• 復元された係数に逆ウェーブレット変換を適用することで、最終的な再構成画像を取得する。
• エンドツーエンドで訓練され、再構成画像と高線量画像の真値との差を最小化するように最適化される。
• ウェーブレット表現のスパarsityを活用することで、ノイズ抑制と詳細回復が向上する。

実験結果

リサーチクエスチョン

• RQ1 ウェーブレット領域で動作するディープ残差ネットワークは、低線量CT再構成における模様の保持を向上させることができるか？
• RQ2 画像品質およびノイズ抑制の観点から、ウェーブレット領域での残差学習は空間領域での学習と比べてどのように異なるか？
• RQ3 ウェーブレットベースのノイズモデリングは、アーチファクトの低減および細かな解剖学的詳細の保持にどの程度寄与するか？
• RQ4 提案手法は、従来のMBIRおよび先行するディープラーニング手法を上回る性能を示すか？

主な発見

• 提案されたWavResNetは、従来のディープラーニングモデルと比較して、より優れた細かい模様の保持により、画像品質が顕著に向上する。
• ノイズおよびアーチファクトレベルを低減させながら、低線量CT画像の再構成において優れた性能を達成する。
• ウェーブレット領域での残差学習アプローチにより、より効果的なノイズモデリングが可能となり、診断的忠実性が向上する。
• 本手法は、著者の以前のCNNベースの手法および従来のMBIR手法と比較して、模様回復および視覚的品質の面で優れた性能を示す。