[논문 리뷰] Can Deep Learning Outperform Modern Commercial CT Image Reconstruction Methods?

Hongming Shan, Atul Padole외 6명|arXiv (Cornell University)|2018. 11. 08.

Medical Imaging Techniques and Applications참고 문헌 1인용 수 71

한 줄 요약

이 논문은 저선량 CT를 위한 점진적 딥러닝 노이즈 제거 네트워크(MAP-NN)를 제시하며, 벤더 및 지역에 걸친 상용 반복 재구성과 경쟁하고, 더 빠른 성능과 의사 radiologist-루프 최적화를 제공합니다.

ABSTRACT

Commercial iterative reconstruction techniques on modern CT scanners target radiation dose reduction but there are lingering concerns over their impact on image appearance and low contrast detectability. Recently, machine learning, especially deep learning, has been actively investigated for CT. Here we design a novel neural network architecture for low-dose CT (LDCT) and compare it with commercial iterative reconstruction methods used for standard of care CT. While popular neural networks are trained for end-to-end mapping, driven by big data, our novel neural network is intended for end-to-process mapping so that intermediate image targets are obtained with the associated search gradients along which the final image targets are gradually reached. This learned dynamic process allows to include radiologists in the training loop to optimize the LDCT denoising workflow in a task-specific fashion with the denoising depth as a key parameter. Our progressive denoising network was trained with the Mayo LDCT Challenge Dataset, and tested on images of the chest and abdominal regions scanned on the CT scanners made by three leading CT vendors. The best deep learning based reconstructions are systematically compared to the best iterative reconstructions in a double-blinded reader study. It is found that our deep learning approach performs either comparably or favorably in terms of noise suppression and structural fidelity, and runs orders of magnitude faster than the commercial iterative CT reconstruction algorithms.

연구 동기 및 목표

• 저선량 CT 영상 품질을 개선하면서 방사선 선량을 감소시키기 위해 딥러닝 활용을 촉진한다.
• 훈련 루프에 방사선 전문의를 통합하는 점진적 노이즈 제거 네트워크를 도입한다.
• MAP-NN 접근법을 흉부와 복부에서 세 벤더의 상용 반복 재구성 방법과 비교한다.

제안 방법

• LDCT 노이즈 제거를 위해 CLONE 모듈로 구성된 모듈식 점진적 노이즈 제거 네트워크 MAP-NN을 제안한다.
• 적대적 손실, 평균제곱오차, 모서리 비일관성을 결합한 손실 함수로 MAP-NN을 학습한다.
• CLONE 모듈 간에 매개변수를 공유하고 매핑 깊이(노이즈 제거 단계의 수)를 평가한다.
• 블라인드된 의사 독자 연구를 사용하여 DL 재구성을 벤더 IR 방법과 비교 평가한다.
• LDCT 입력을 사용하고 구조적 충실도 및 노이즈 억제를 평가하기 위해 NDCT 참조와 비교한다.

실험 결과

연구 질문

• RQ1 MAP-NN 점진적 노이즈 제거 접근법이 LDCT에서 상용 IR 방법보다 비교 가능한 또는 더 우수한 구조적 충실도를 달성할 수 있는가?
• RQ2 여러 CT 벤더 및 신체 부위에 걸쳐 구조적 충실도를 유지하면서 노이즈 억제를 더 잘 제공하는가?
• RQ3 학습 후 DL 접근법이 IR 방법들보다 계산적으로 더 효율적인가?
• RQ4 루프에 방사선 전문의를 포함하는 것이 특정 작업 이미지 품질 최적화를 개선하는가?

주요 결과

• MAP-NN은 벤더 A, B, C 전반에서 상용 IR 방법과 비교하여 동등하거나 더 우수한 구조적 충실도 및 노이즈 억제를 달성한다.
• DL 재구성은 대부분의 경우 방사선 전문의가 복부 및 흉부 영상에 대해 IR 재구성보다 더 낫거나 비교 가능한 평가를 내린다.
• MAP-NN은 학습 후 IR 방법에 비해 실행 시간이 상당히 빠르며(매핑 깊이당 약 100슬라이스/초로)
• 복부 영상에서 벤더 A와 B의 최선 DL 재구성이 IR 재구성과 비교하여 선호되며, 벤더 C에 대해서는 유사하다; 흉부의 경우 대부분의 경우 DL이 IR과 비교해 유사하거나 더 낫다.
• DL 접근법은 벤더에 독립적인 영상 외관을 제공하여 대규모 radiomics 연구에 잠재적으로 도움이 될 수 있다.