[논문 리뷰] Dual-energy CT imaging from single-energy CT data with material decomposition convolutional neural network

Tianling Lyu, Zhan Wu외 4명|arXiv (Cornell University)|2020. 05. 30.

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

한 줄 요약

이 논문은 단일 완전 샘플링 저에너지 CT 스캔과 단일 고에너지 프로젝션 시야를 바탕으로 고품질 이중에너지 CT(DECT) 영상을 복원하는 딥러닝 기법인 FLESH-DECT를 제안한다. 해부학적 일관성과 에너지 도메인 상관관계를 이용한 물질 분해 컨volution 신경망(MD-CNN)을 통해, 하드웨어 요구 사항이 간소화되고 방사선 선량이 감소한 정확한 DECT 영상 재구성가능하며, 표준 DECT 수준의 뛰어난 영상 품질을 달성한다.

ABSTRACT

Dual-energy computed tomography (DECT) is of great significance for clinical practice due to its huge potential to provide material-specific information. However, DECT scanners are usually more expensive than standard single-energy CT (SECT) scanners and thus are less accessible to undeveloped regions. In this paper, we show that the energy-domain correlation and anatomical consistency between standard DECT images can be harnessed by a deep learning model to provide high-performance DECT imaging from fully-sampled low-energy data together with single-view high-energy data, which can be obtained by using a scout-view high-energy image. We demonstrate the feasibility of the approach with contrast-enhanced DECT scans from 5,753 slices of images of twenty-two patients and show its superior performance on DECT applications. The deep learning-based approach could be useful to further significantly reduce the radiation dose of current premium DECT scanners and has the potential to simplify the hardware of DECT imaging systems and to enable DECT imaging using standard SECT scanners.

연구 동기 및 목표

• 하드웨어 수정 없이 표준 단일 에너지 CT(SECT) 스캐너를 사용하여 고성능 이중에너지 CT(DECT) 영상 촬영을 가능하게 하기 위해.
• 고에너지 프로젝션 데이터를 단일 시야로 최소화하여 DECT의 방사선 선량을 감소시키기 위해.
• 딥러닝을 통해 저에너지 및 고에너지 CT 영상 간의 해부학적 일관성과 에너지 도메인 상관관계를 활용하기 위해.
• 전용 DECT 스캐너가 필요 없이 가상의 비대조 영상 및 요오드 지ap 등 물질 특화 영상을 생성하기 위해.
• 고품질 DECT 시스템에 접근이 어려운 임상 현장에서 DECT를 간소화하여 구현하기 위해.

제안 방법

• 소음 감소를 위해 저에너지 CT 영상에 노이즈 제거 컨volution 신경망(CNN)을 적용하여 물질 분해 이전에 노이즈를 줄인다.
• 저에너지 영상에서 기초 물질 분해 지ap을 추정하기 위해 물질 분해 CNN(MD-CNN)을 훈련시어, 다양한 에너지 수준에서 고에너지 영상 재구성을 가능하게 한다.
• 측정된 단일 시야 고에너지 프로젝션과 일치하도록 제약 조건을 걸친 프로젝션 벡터를 역투영함으로써 고에너지 영상을 예측한다. 이는 물리적 일관성을 확보하기 위함이다.
• 예측된 고에너지 영상과 측정된 단일 고에너지 프로젝션 간의 일관성을 강제하는 프로젝션 도메인 CNN을 사용한다.
• 100 kV/Sn 140 kV 스캔 프로토콜을 사용하여 22명의 환자에서 유래한 5,753개 슬라이스를 대상으로 엔드 투 엔드로 훈련한다.
• 네트워크와 프로젝션 연산자를 부피 자료에 적응시켜 3D 기하학적 구조로 확장 가능하다.

실험 결과

연구 질문

• RQ1 단일 완전 샘플링 저에너지 CT와 단일 고에너지 프로젝션 시야만으로 고품질 DECT 영상을 재구성할 수 있는가?
• RQ2 딥러닝이 에너지 도메인 상관관계와 해부학적 일관성을 효과적으로 활용하여 기존 DECT 하드웨어를 대체할 수 있는가?
• RQ3 진단용 영상 품질을 유지하면서 방사선 선량을 얼마나 줄일 수 있는가?
• RQ4 제안된 방법이 전용 DECT 스캐너 없이도 정확한 물질 특화 영상(예: 가상의 비대조 영상, 요오드 농도 지도)을 생성할 수 있는가?
• RQ5 다른 스캔 프로토콜이나 영상 촬영 프로토콜에 적용했을 때 이 방법의 강건성은 어느 정도인가?

주요 결과

• FLESH-DECT 방법은 단일 고에너지 프로젝션 시야만으로도 고해상도 DECT 영상 재구성을 성공적으로 달성하여, 표준 DECT 대비 방사선 선량을 크게 감소시켰다.
• 임상적 대조 강화 스캔에서 검증된 결과, 이 방법은 표준 DECT 수준의 진단 품질을 갖는 가상의 비대조 영상 및 요오드 농도 측정 영상을 생성하였다.
• MD-CNN는 100 kV 영상에서 정확한 물질 분해 지도를 생성하여, 재학습 없이도 다양한 에너지 수준(예: 120 kV, 150 kV)에서 고에너지 영상의 합성을 가능하게 하였다.
• 희박한 프로젝션 데이터 조건에서도 기존 재구성 방법에 비해 뛰어난 노이즈 억제 및 아티팩트 감소 효과를 보였다.
• 단일 고에너지 프로젝션은 스카우트 시야 스캔를 통해 하드웨어 수정 없이도 기존 SECT 스캐너에서 확보 가능하므로, 기존 스캐너와의 호환성이 뛰어나다.
• 모델 성능은 프로토콜 불일치에 민감하게 반응했지만, 다른 프로토콜로 재학습하면 이 제한을 극복할 수 있었다.