[論文レビュー] X-ray Photon-Counting Data Correction through Deep Learning

Mengzhou Li, David S. Rundle+1 more|arXiv (Cornell University)|Jul 6, 2020

Advanced X-ray and CT Imaging参考文献 43被引用数 11

ひとこと要約

本論文では、X線光子カウンティング検出器（PCDs）におけるスペクトル歪みを補正する深層学習ベースの手法を提案する。脈動重畳と電荷分割効果を補正するために、シミュレーションデータ上で訓練された教師あり対抗ネットワークを用いる。本手法はスペクトル回復において6%未満の相対誤差を達成し、投影および再構成領域の両方で画像の忠実度が著しく向上する。

ABSTRACT

X-ray photon-counting detectors (PCDs) are drawing an increasing attention in recent years due to their low noise and energy discrimination capabilities. The energy/spectral dimension associated with PCDs potentially brings great benefits such as for material decomposition, beam hardening and metal artifact reduction, as well as low-dose CT imaging. However, X-ray PCDs are currently limited by several technical issues, particularly charge splitting (including charge sharing and K-shell fluorescence re-absorption or escaping) and pulse pile-up effects which distort the energy spectrum and compromise the data quality. Correction of raw PCD measurements with hardware improvement and analytic modeling is rather expensive and complicated. Hence, here we proposed a deep neural network based PCD data correction approach which directly maps imperfect data to the ideal data in the supervised learning mode. In this work, we first establish a complete simulation model incorporating the charge splitting and pulse pile-up effects. The simulated PCD data and the ground truth counterparts are then fed to a specially designed deep adversarial network for PCD data correction. Next, the trained network is used to correct separately generated PCD data. The test results demonstrate that the trained network successfully recovers the ideal spectrum from the distorted measurement within $\pm6\%$ relative error. Significant data and image fidelity improvements are clearly observed in both projection and reconstruction domains.

研究の動機と目的

• 脈動重畳および電荷分割によって引き起こされるX線光子カウンティング検出器（PCDs）におけるスペクトル歪みを是正すること。
• 複雑な物理モデルに依存せずに、データ駆動型でエンドツーエンドの深層学習的手法をPCDデータ補正に開発すること。
• 投影および再構成CT画像の両領域におけるスペクトル忠実度と画像品質を向上させること。
• 訓練用にペairedな歪みありおよび理想PCDデータを生成するための現実的なシミュレーションパイプラインを確立すること。
• 深層学習が従来のモデルベースまたは浅いネットワーク手法に比べて、複雑なスペクトル歪みの補正において優れていることを実証すること。

提案手法

• 脈動重畳および電荷分割効果（電荷共有およびK殻フラーレンスケープを含む）を組み込んだ包括的なシミュレーションモデルを構築した。
• リアルなスペクトル歪みを有する合成PCDデータと、それに対応する真値スペクトルを生成し、教師あり学習に用いる。
• 脈動重畳補正用のdePUnetと電荷分割補正用のdeCSnetを組み合わせた特別に設計された深層対抗ネットワークを、エンドツーエンドで訓練した。
• 生成的対抗訓練戦略を用いてスペクトル忠実度を向上させ、再構成アーチファクトを低減した。
• 歪みありPCD測定値を理想スペクトル投影にマッピングするため、ペアド合成データを活用して訓練を行った。
• 実世界への展開のため、シミュレーションベースの訓練後に実PCD測定値を用いて微調整するための転移学習を提案した。

実験結果

リサーチクエスチョン

• RQ1 深層学習モデルは、脈動重畳および電荷分割によって引き起こされるX線PCDデータのスペクトル歪みを効果的に補正できるか？
• RQ2 スペクトル忠実度と画像品質の観点から、深層対抗ネットワークは浅いネットワークやモデルベースの補正手法に比べてどのように性能を発揮するか？
• RQ3 シミュレーションベースの深層学習アプローチは、重度に歪んだPCD測定値から理想スペクトルをどの程度回復できるか？
• RQ4 現実的な条件下で、全エネルギーbinにおいてスペクトル回復の達成可能な誤差マージンはどの程度か？
• RQ5 深層学習アプローチは、投影および再構成領域の両方でノイズを同時に抑制し、スペクトル歪みを補正できるか？

主な発見

• 提案手法は、99.7%信頼水準で、全エネルギーbinにおいてピクセル単位の相対誤差が6%未満に抑えられた。
• 99%のピクセルが6%未満の誤差に補正され、エネルギーbin 3～9（40–110 keV）では99.7%のピクセルが3%未満の誤差を達成した。
• 最悪ケースにおいて、補正前の最大相対誤差が1000%以上から、補正後は55%未満に低下した。
• 画像再構成品質が著しく向上し、SSIMスコアが0.024から0.517に、PSNRスコアが25.3%から161.1%に向上した。
• 深層対抗ネットワークは、浅い全結合ネットワークを上回り、収束後のMSE損失を0.12から0.0000011にまで低減した。
• 視覚的および定量的評価結果から、投影および再構成画像領域の両方で強力なノイズ抑制と正確なスペクトル回復が確認された。