[논문 리뷰] A deep learning approach for virtual monochromatic spectral CT imaging with a standard single energy CT scanner

Wei Zhao, Tianling Lyu외 2명|arXiv (Cornell University)|2020. 05. 20.

Advanced X-ray and CT Imaging참고 문헌 38인용 수 4

한 줄 요약

이 논문은 고비용 이중에너지 CT(DECT) 스캐너가 필요 없이 표준 단일에너지 CT(SECT) 스캔으로부터 고품질의 가상 단색 CT(VMCT) 영상을 생성하기 위한 딥러닝(DL) 방법을 제안한다. 저에너지 SECT 스캔에서 고에너지 CT 영상을 예측하기 위해 잔차 신경망을 훈련시킴으로써, 기존 DECT 기반 VMCT에 비해 소음 감소율 최대 68%와 요오드 대비잡음비(CNR) 향상 55%를 달성하였으며, 최적의 CNR는 40 keV에서 관찰되었다.

ABSTRACT

Purpose/Objectives: To develop and assess a strategy of using deep learning (DL) to generate virtual monochromatic CT (VMCT) images from a single-energy CT (SECT) scan. Materials/Methods: The proposed data-driven VMCT imaging consists of two steps: (i) using a supervised DL model trained with a large number of 100 kV and 140 kV dual-energy CT (DECT) image pairs to produce the corresponding high-energy CT image from a low-energy image; and (ii) reconstructing VMCT images with energy ranging from 40 to 150 keV. To evaluate the performance of the method, we retrospectively studied 6,767 abdominal DECT images. The VMCT images reconstructed using both DL-derived DECT (DL-DECT) images and the images from DECT scanner were compared quantitatively. Paired-sample t-tests were used for statistical analysis to show the consistency and precision of calculated HU values. Results: Excellent agreement was found between the DL-DECT and the ground truth DECT images (p values ranged from 0.50 to 0.95). Noise reduction up to 68% (from 163 HU to 51 HU) was achieved for DL-based VMCT imaging as compared to that obtained by using the standard DECT. For the DL-based VMCT, the maximum iodine contrast-to-noise ratio (CNR) for each patient (ranging from 15.1 to 16.6) was achieved at 40 keV. In addition to the enormous benefit of VMCT acquisition with merely a SECT image, an improvement of CNR as high as 55% (from 10.7 to 16.6) was attained with the proposed approach. Conclusions: This study demonstrates that high-quality VMCT images can be obtained with only a SECT scan.

연구 동기 및 목표

• 고비용 이중에너지 CT(DECT) 스캐너가 필요 없이 표준 단일에너지 CT(SECT) 스캐너만을 사용하여 가상 단색 CT(VMCT) 영상을 생성하는 방법을 개발하는 것.
• 특히 요오드 대비가 가장 높은 저에너지에서 소음 감소 및 대비잡음비(CNR) 향상을 통해 VMCT의 영상 품질을 향상시키는 것.
• 딥러닝 기반 영상 합성 기법을 통해 기존 SECT 하드웨어에서 VMCT를 널리 임상 적용할 수 있도록 하는 것.
• 지상 진짜 DECT에 비해 딥러닝으로 유도된 VMCT 영상에서 Hounsfield 단위(HU) 값의 정확성과 일관성을 검증하는 것.

제안 방법

• 100 keV와 140 kV의 이중에너지 CT(DECT) 영상 쌍을 기반으로, 저에너지 100 kV SECT 영상에서 고에너지 140 kV 영상을 예측하는 지도형 딥러닝 모델을 훈련한다.
• 모델은 이중에너지 잔차 매핑 네트워크를 사용하여 입력된 저에너지 영상과 예측된 고에너지 영상의 차이를 나타내는 잔차 영상을 출력하고, 이를 입력 영상에 더하여 고에너지 영상을 재구성한다.
• 입력된 100 kV SECT 영상의 노이즈를 줄이기 위해 전연결 컨볼루션 네트워크(FCN)를 적용한 후 잔차 신경망에 입력하여 예측 정밀도를 향상시킨다.
• 딥러닝으로 예측된 DECT 영상을 기반으로 40–150 keV 범위에서 가상 단색 영상을 재구성하여 에너지 특화 영상 촬영이 가능하며 최적의 대비를 확보한다.
• 저에너지 및 고에너지 영상 간 강한 노이즈 상관관계를 활용하여 노이즈 무늬를 유지하고 VMCT 재구성에서 총 노이즈를 감소시킨다.
• 대응표본 t-검정을 통한 통계적 검증을 통해 딥러닝 유도 VMCT 영상과 지상 진짜 DECT 영상 간 HU 값의 일관성을 확인한다.

실험 결과

연구 질문

• RQ1 딥러닝 기반 기법이 이중에너지 CT(DECT) 스캐너 없이 저에너지 SECT 스캔에서 고에너지 CT 영상을 정확히 예측하여 가상 단색 CT(VMCT)를 가능하게 할 수 있는가?
• RQ2 기존 DECT 기반 VMCT에 비해 딥러닝 기반 VMCT가 소음 감소 및 대비잡음비(CNR) 측면에서 뛰어난 영상 품질을 달성하는가?
• RQ3 딥러닝 기반 VMCT에서 최대 요오드 CNR는 어느 에너지 수준에서 달성되며, 기존 DECT 기반 VMCT와 비교해 어떻게 다른가?
• RQ4 다양한 환자 해부학적 구조에서 딥러닝 유도 VMCT 영상의 Hounsfield 단위(HU) 값은 지상 진짜 DECT 영상과 얼마나 일관성 있는가?
• RQ5 딥러닝으로 유도된 DECT 영상은 물질 분해나 가상 비대조 영상 촬영과 같은 다른 DECT 응용 분야에서도 효과적으로 활용될 수 있는가?

주요 결과

• 딥러닝 기반 방법은 지상 진짜 DECT 영상과 뛰어난 일치도를 보였으며, 대응표본 t-검정에서 p-값 범위가 0.50에서 0.95 사이로 HU 값의 높은 일관성을 나타냈다.
• 저에너지 및 고에너지 영상 간 노이즈 상관관계를 유지함으로써 딥러닝 기반 VMCT에서 표준 DECT 기반 VMCT 대비 소음 감소율 최대 68%를 달성했으며, 소음 수치는 163 HU에서 51 HU로 감소했다.
• 모든 환자에서 최대 요오드 CNR는 16.6로 40 keV에서 달성되었으며, 기존 방법의 최대값 10.7보다 55% 높았다.
• 기존 VMCT에서 최적의 CNR 에너지가 80–85 keV였던 데 비해, 딥러닝 기반 접근법에서는 40 keV에서 최적화되었으며, 이는 저대비 병변의 가시성을 향상시켰다.
• 딥러닝으로 유도된 고에너지 영상에서는 비선형 매핑 특성이 관찰되었으며, 입력 HU 값이 유사하더라도 해부학적 구조(예: 신장 vs. 골수) 간 HU 값이 다를 수 있었다.
• 이 방법은 표준 SECT 스캐너에서 고품질 VMCT 영상 촬영을 가능하게 하여, 병변 탐지, 금속 아티팩트 감소, 가상 비대조 영상 촬영 등의 응용 분야에서 광범위한 임상적 활용 가능성을 지닌다.