[논문 리뷰] Prediction of low-keV monochromatic images from polyenergetic CT scans for improved automatic detection of pulmonary embolism

Constantin Seibold, Matthias A. Fink외 5명|arXiv (Cornell University)|2021. 02. 02.

Advanced X-ray and CT Imaging참고 문헌 10인용 수 6

한 줄 요약

이 논문은 일반 다에너지 CT 스캔에서 저에너지 단색( monoE) CT 영상을 예측하도록 학습하는 동시 최적화 프레임워크를 제안한다. 이는 영상 생성 품질을 향상시키면서도 보다 우수한 자동 폐색전색전(PE) 검출을 가능하게 한다. 분류 손실을 영상 번역과 통합함으로써 RSNA-PE 챌린지 데이터셋에서 0.8420의 AuROC를 달성하였으며, 이는 기준 모델 및 원본 다에너지 CT 입력(0.8142)보다 유의미하게 뛰어나다.

ABSTRACT

Detector-based spectral computed tomography is a recent dual-energy CT (DECT) technology that offers the possibility of obtaining spectral information. From this spectral data, different types of images can be derived, amongst others virtual monoenergetic (monoE) images. MonoE images potentially exhibit decreased artifacts, improve contrast, and overall contain lower noise values, making them ideal candidates for better delineation and thus improved diagnostic accuracy of vascular abnormalities. In this paper, we are training convolutional neural networks~(CNN) that can emulate the generation of monoE images from conventional single energy CT acquisitions. For this task, we investigate several commonly used image-translation methods. We demonstrate that these methods while creating visually similar outputs, lead to a poorer performance when used for automatic classification of pulmonary embolism (PE). We expand on these methods through the use of a multi-task optimization approach, under which the networks achieve improved classification as well as generation results, as reflected by PSNR and SSIM scores. Further, evaluating our proposed framework on a subset of the RSNA-PE challenge data set shows that we are able to improve the Area under the Receiver Operating Characteristic curve (AuROC) in comparison to a na\"ive classification approach from 0.8142 to 0.8420.

연구 동기 및 목표

• 기본 CT와 분광 CT 사이의 격차를 메우기 위해 표준 다에너지 스캔에서 합성 저에너지 단색 영상을 생성함으로써.
• 진단적으로 관련된 특징을 유지하는 합성 monoE 영상으로 모델을 훈련시켜 자동 폐색전색전 검출 성능을 향상시키기 위해.
• 기존 영상 번역 모델의 한계를 극복하기 위해, 이는 외관적으로 정확한 영상을 생성하지만 후속 분류 성능을 떨어뜨린다.
• 영상 생성과 질병 분류를 동시에 최적화하는 종단간 다중 작업 학습 프레임워크를 개발하기 위해.

제안 방법

• L1 손실을 사용하여 다에너지 CT 영상에서 합성 저에너지 단색 영상으로 매핑하는 조건부 생성 모델(생성자)을 훈련시켜 영상 복원을 수행한다.
• 생성된 monoE 영상에서 폐색전색전 유무를 예측하는 ResNet-50 분류기 헤드를 통합하고, 공통 훈련 목표를 갖춘다.
• 각 훈련 배치에 50%의 레이블이 부여된 PE 데이터(분류용)와 50%의 쌍체 다에너지/monoE 데이터(영상 번역용)를 포함하는 동시 최적화 기법을 사용하며, 마커 변수로 제어한다.
• 픽셀 수준의 복원 손실(L1)과 분류 손실(이元 교차 엔트로피)을 통합된 훈련 목표로 사용하여 진단적으로 관련된 특징을 유지한다.
• 다중 작업 훈련 체제를 활용하여 생성자가 뿐만 아니라 분류에 최적화된 영상도 생성하도록 학습한다.
• 기존 영상 번역 아키텍처(Pix2Pix, Pix2PixHD, CRN 등)를 동시 학습 프레임워크로 변형하고, 성능 비교를 위한 분석 연구를 수행한다.

실험 결과

연구 질문

• RQ1 딥 러닝 기반 영상 번역 모델이 기존 다에너지 스캔에서 저에너지 단색 CT 영상을 효과적으로 생성할 수 있는가?
• RQ2 고PSNR/SSIM 성능을 내는 기존 영상 번역 방법은 정확한 폐색전색전 검출에 필요한 특징을 유지하는가?
• RQ3 영상 생성과 분류를 동시에 최적화하는 것이 실존하는 monoE 영상이나 표준 다에너지 스캔을 사용하는 것보다 진단 성능을 향상시킬 수 있는가?
• RQ4 영상 번역 훈련 중에 분류 손실을 통합할 경우, 별도의 생성자 및 분류기 네트워크를 훈련시키는 것보다 병변 검출을 위한 특징 학습이 더 우수한가?

주요 결과

• 제안된 동시 최적화 프레임워크는 PSNR 41.706과 SSIM 0.984를 달성하여 모든 기준 영상 번역 방법보다 영상 복원 품질에서 뛰어나다.
• 비슷한 PSNR 및 SSIM 점수를 보일지라도, L1 손실 기반 및 기준 모델은 분류 성능이 저하되어 AuROC가 각각 0.8102 및 0.8051로 떨어진다.
• 제안된 방법은 RSNA-PE 챌린지 데이터셋에서 폐색전색전 검출 AuROC를 0.8420으로 향상시켜 기준 다에너지 CT 입력(0.8142)을 초월한다.
• 특징 손실 기반 모델인 CRN 및 CRN*는 열악한 복원 성능(SIM 0.371, PSNR 19.482)을 보이며 의미 있는 영상 매핑을 학습하지 못함을 시사한다.
• 공동 훈련 전략은 진단적으로 관련된 특징을 성공적으로 유지하였으며, 이는 실제 monoE 영상에 접근할 수 없음에도 불구하고 분류 성능 향상으로 증명된다.
• 영상 정밀도와 분류 정확도 양면에서 모두 비교 모델(Pix2PixHD*, CRN*, SPL 포함)을 압도하며, 종단간 다중 작업 학습의 이점을 입증한다.