[논문 리뷰] Dual-energy CT imaging using a single-energy CT data is feasible via deep learning

Wei Zhao, Tianling Lv외 7명|arXiv (Cornell University)|2019. 06. 12.

Advanced X-ray and CT Imaging참고 문헌 23인용 수 12

한 줄 요약

이 논문은 단일에너지 CT(SECT) 데이터로부터 이중에너지 CT(DECT) 영상을 생성하기 위한 딥러닝 방법을 제안한다. 이중 단계의 컨volutional 신경망(CNN)을 사용하여 먼저 저에너지 영상의 노이즈를 제거하고, 그 후 U-Net 기반의 DECT-CNN을 통해 평균제곱오차 손실을 사용하여 고에너지 영상의 차이를 예측함으로써, 높은 정확도를 달성한다. HU 차이는 3.5 HU 이하이며, 요오드 농도 측정의 일관성은 원본 DECT 스캔과 0.9% 이내이다.

ABSTRACT

In a standard computed tomography (CT) image, pixels having the same Hounsfield Units (HU) can correspond to different materials and it is, therefore, challenging to differentiate and quantify materials. Dual-energy CT (DECT) is desirable to differentiate multiple materials, but DECT scanners are not widely available as single-energy CT (SECT) scanners. Here we develop a deep learning approach to perform DECT imaging by using standard SECT data. A deep learning model to map low-energy image to high-energy image using a two-stage convolutional neural network (CNN) is developed. The model was evaluated using patients who received contrast-enhanced abdomen DECT scan with a popular DE application: virtual non-contrast (VNC) imaging and contrast quantification. The HU differences between the predicted and original high-energy CT images are 3.47, 2.95, 2.38 and 2.40 HU for ROIs on the spine, aorta, liver, and stomach, respectively. The HU differences between VNC images obtained from original DECT and deep learning DECT are 4.10, 3.75, 2.33 and 2.92 HU for the 4 ROIs, respectively. The aorta iodine quantification difference between iodine maps obtained from original DECT and deep learning DECT images is 0.9\%, suggesting high consistency between the predicted and the original high-energy CT images. This study demonstrates that highly accurate DECT imaging with single low-energy data is achievable by using a deep learning approach. The proposed method can significantly simplify the DECT system design, reducing the scanning dose and imaging cost.

연구 동기 및 목표

• 하드웨어의 복잡성과 비용으로 인해 단일에너지 CT(SECT) 스캐너보다 이중에너지 CT(DECT) 스캐너의 가용성이 떨어지는 임상적 제약을 극복하기 위해.
• 표준 SECT 데이터만을 사용하여 DECT 유사 영상 촬영을 가능하게 하여 방사선 선량과 시스템 복잡성을 줄이기 위해.
• 재료 분해 응용 분야를 위해 저에너지 CT 입력에서 고에너지 CT 영상 예측 모델을 정확하게 개발하기 위해.
• 가상의 비대조(VNC) 영상 촬영과 요오드 농도 측정과 같은 핵심 DECT 응용 분야에서의 성능 평가를 위해.
• 입력 영상과 예측된 영상 간의 노이즈 상관관계가 재료 특화 지도의 노이즈를 감소시켜 영상 품질을 향상시킬 수 있는지 확인하기 위해.

제안 방법

• 두 단계의 딥러닝 파이프라인을 사용한다: 첫 번째로, ResNet 기반의 전용 CNN이 저에너지 및 고에너지 SECT 영상의 노이즈를 제거하여 노이즈가 감소된 버전 $I_{LD}$와 $I_{HD}$를 생성한다.
• 두 번째로, DECT-CNN이라는 CNN을 사용하여 노이즈가 감소된 저에너지 영상 $I_{LD}$에서 차이 영상 $I_{\text{diff}} = I_{HD} - I_{LD}$를 예측하도록 학습한다. 이때 평균제곱오차(MSE) 손실을 사용한다.
• 예측된 고에너지 영상은 $I_{\text{pred}} = I_L + I_{\text{diff}}$로 계산되며, 여기서 $I_L$은 원본 저에너지 영상이다.
• DECT-CNN은 넓은 수신장과 고해상도 공간적 세부 정보를 유지하는 데 유리한 U-Net 아키텍처를 사용한다.
• 모델은 16명의 환자 볼륨에서 유래한 4,949幅 영상 슬라이스를 사용해 학습하고, 6명의 환자 볼륨을 검증 및 테스트에 사용한다.
• 재료 분해는 통계적으로 최적의 영역 기반 알고리즘을 사용하여 원본 및 예측된 DECT 영상에서 가상의 비대조(VNC) 영상과 요오드 지도를 생성한다.

실험 결과

연구 질문

• RQ1 단일 저에너지 CT 스캔에서 딥러닝 모델이 고에너지 CT 영상을 정확하게 예측할 수 있으며, DECT 유사 영상 품질을 달성할 수 있는가?
• RQ2 제안된 방법이 척추, 대동맥, 간, 위와 같은 해부학적 구조에서 원본 DECT와 비교해 HU 정확도에서 어떻게 성능을 내는가?
• RQ3 딥러닝 기반 DECT 방법이 가상의 비대조(VNC) 영상 촬영과 요오드 농도 측정에서 정확도를 어느 정도 유지하는가?
• RQ4 입력 저에너지 영상과 예측된 고에너지 영상 간의 노이즈 상관관계가 파생된 재료 특화 지도의 노이즈를 감소시킬 수 있는가?
• RQ5 제안된 방법이 표준 DECT와 비교해 요오드 농도 측정에서 높은 일관성을 유지하는가?

주요 결과

• 예측된 고에너지 CT 영상과 원본 고에너지 CT 영상 간의 HU 차이는 척추에서 3.47 HU, 대동맥에서 2.95 HU, 간에서 2.38 HU, 위에서 2.40 HU였다.
• 원본 DECT와 딥러닝 기반 DECT 간의 가상의 비대조(VNC) 영상에서의 HU 차이는 척추에서 4.10 HU, 대동맥에서 3.75 HU, 간에서 2.33 HU, 위에서 2.92 HU였다.
• 원본 DECT와 딥러닝 기반 DECT 간의 대동맥 요오드 농도 측정 차이는 뿐만 아니라 0.9% 이내였으며, 이는 대조제 측정에서 매우 높은 일관성을 의미한다.
• 딥러닝 기반 DECT 방법은 입력 영상과 예측 영상 간의 노이즈 상관관계로 인해 원본 DECT보다 VNC 영상과 요오드 지도의 노이즈 수준을 크게 감소시켰다.
• 노이즈가 감소된 영상으로 학습된 모델이 더 뛰어난 성능을 보였으며, 이는 노이즈 감소가 정확한 영상 차이 예측에 필수적임을 확인한다.
• 이 방법은 정확도 손실를 최소화하면서 고품질의 재료 분해를 가능하게 하여, 퍼피usion 영상 촬영, 혈관 조영술, 요로 결석 특성 분석과 같은 임상 응용 분야에서의 실용성을 시사한다.