[논문 리뷰] Cross-Vendor CT Image Data Harmonization Using CVH-CT

Md. Selim, Jie Zhang외 4명|PubMed|2021. 10. 19.

Radiomics and Machine Learning in Medical Imaging참고 문헌 30인용 수 5

한 줄 요약

이 논문은 쌍체가 없는 훈련 데이터를 사용하여 방사선 촬영 장비 간의 변동성을 줄이고 방사선학적 특징의 일관성을 높이기 위한 새로운 딥러닝 프레임워크인 CVH-CT를 제안한다. CBAM(컨volutional block attention module)과 VGG 기반 도메인 손실을 통합하여 장비별로 특징적인 무늬 분포를 포착함으로써, 기존 방법에 비해 해부학적 세부 정보 유지와 다양한 제조사 간 특징 재현성 향상에서 뚜렷한 성능 향상을 보였다.

ABSTRACT

While remarkable advances have been made in Computed Tomography (CT), most of the existing efforts focus on imaging enhancement while reducing radiation dose. How to harmonize CT image data captured using different scanners is vital in cross-center large-scale radiomics studies but remains the boundary to explore. Furthermore, the lack of paired training image problem makes it computationally challenging to adopt existing deep learning models. We propose a novel deep learning approach called CVH-CT for harmonizing CT images captured using scanners from different vendors. The generator of CVH-CT uses a self-attention mechanism to learn the scanner-related information. We also propose a VGG feature based domain loss to effectively extract texture properties from unpaired image data to learn the scanner based texture distributions. The experimental results show that CVH-CT is clearly better than the baselines because of the use of the proposed domain loss, and CVH-CT can effectively reduce the scanner-related variability in terms of radiomic features.

연구 동기 및 목표

• 다중 센터 연구에서 다양한 CT 스캐너 제조사로 인해 발생하는 방사선학적 특징의 불일치 문제를 해결하기 위해.
• 임상 환경에서 자주 확보되지 않는 쌍체 훈련 데이터가 필요 없는 CT 영상 통합을 가능하게 하기 위해.
• 다른 제조사 간에 장비별로 특징적인 무늬 분포를 효과적으로 학습하고 전달할 수 있는 딥러닝 모델을 개발하기 위해.
• 목표 스캐너의 분포를 모방하는 영상을 합성하여 다양한 CT 스캐너 간에 방사선학적 특징의 재현성을 향상시키기 위해.
• 모델의 성능을 다양한 제조사 간 및 다양한 촬영 프로토콜 간 CT 영상 통합 작업에서 검증하기 위해.

제안 방법

• CVH-CT는 두 개의 생성자(A2B 및 B2A)를 갖춘 CycleGAN 유사 프레임워크를 사용하여 두 개의 CT 스캐너 도메인 간 영상 변환(예: GE에서 Siemens로, Siemens에서 GE로)을 수행한다.
• 생성자 네트워크는 스캐너별로 특징적인 무늬 패tern을 특히 효과적으로 학습하기 위해 CBAM(컨volutional block attention module)을 통합한다.
• 쌍체가 없는 데이터에서도 효과적인 분포 매칭이 가능하도록, 합성 영상과 목표 영상 간의 특징 수준의 차이를 계산하는 새로운 VGG 기반 도메인 손실을 도입한다.
• 생성자와 판별자 네트워크를 엔드 투 엔드로 훈련하기 위해, 적대적 손실, 사이클 일致성 손실, 그리고 제안된 도메인 손실의 조합을 사용한다.
• 도메인 손실은 VGG-16을 통해 깊은 특징 공간에서의 특징 갭을 계산하여, 네트워크가 목표 도메인의 무늬 특성 학습을 유도한다.
• 모델은 서로 다른 제조사 또는 재구성 프로토콜에서 온 쌍체가 없는 CT 영상으로 훈련되어, 제로샷 통합을 가능하게 한다.

실험 결과

연구 질문

• RQ1 쌍체 훈련 데이터가 필요 없이 딥러닝 모델이 다양한 제조사 간 CT 영상을 효과적으로 통합할 수 있는가?
• RQ2 CBAM과 같은 자기주의 메커니즘이 CT 영상에서 장비별로 특징적인 무늬 분포를 얼마나 잘 포착할 수 있는가?
• RQ3 VGG 기반 도메인 손실이 쌍체가 없는 영상 변환에서 CT 통합의 특징 일관성에 얼마나 기여하는가?
• RQ4 제안된 방법은 스캐너 유형에 기인한 방사선학적 특징 변동성을 줄이면서도 해부학적 구조를 유지하는가?
• RQ5 모델은 동일한 스캐너에서 다른 재구성 커널(예: Bl64에서 Br40)을 사용하는 프로토콜 간 통합에도 일반화 가능한가?

주요 결과

• GE에서 Siemens로, Siemens에서 GE로의 변환 과정에서, CVH-CT는 여섯 가지 방사선학적 특징 유형 중 다섯 가지에서 가장 높은 일치상관계수(CCC) 점수를 기록했으며, CycleGAN 및 기타 기준 모델에 비해 뚜렷한 성능 향상을 보였다.
• 일차 특징의 경우 모든 모델에서 CCC 점수가 1.0에 가까웠으며, 해부학적 세부 정보의 강력한 유지가 확인되었다.
• 무늬 기반 특징의 경우, CVH-CT는 CycleGAN 대비 뚜렷한 향상을 보였으며, 대부분의 특징 유형에서 CCC 점수가 0.85를 초과했다.
• PSNR, SSIM, NCC 지표는 CVH-CT가 목표 영상과 유사한 높은 시각적 품질과 구조 유사도를 가진 합성 영상을 생성했음을 확인했다.
• 다른 프로토콜 간 통합(예: Bl64 커널에서 Br40 커널로)에서도 CVH-CT는 CCC 점수 0.87 ± 0.12 및 0.86 ± 0.10을 기록하여 제조사 간 차이를 넘어선 뛰어난 내성성과 안정성을 입증했다.
• 잔차 맵의 시각적 분석 결과, CVH-CT는 목표 영상과 가장 낮은 이질성을 보였으며, 대부분의 값이 0에 가까운 파란색 영역에 집중되어 있어 영상 합성의 높은 정밀도를 입증했다.