[논문 리뷰] Synthetic contrast enhancement in cardiac CT with Deep Learning

Gianmarco Santini, Lorena M. Zumbo외 7명|arXiv (Cornell University)|2018. 07. 02.

Advanced X-ray and CT Imaging참고 문헌 5인용 수 18

한 줄 요약

이 논문은 비대조심장 CT 스캔에서 탈구조화된 완전 컨volution 신경망을 사용하여 대조증강 심장 CT(CECT) 영상을 합성하는 딥러닝 방법을 제안한다. 이 모델은 흡수 동역학과 좌심방 및 심실 형태학적 특성에서 높은 정밀도로 합성된 CECT 영상을 생성하며, 딱딱한 점수는 0.88±0.03이고 부피 오차는 9.1±6.2%를 기록하여 인간의 관측자 간 변동성을 초월하여 비대조심장 CT가 숨겨진 혈역학적 및 부피 측정 심장 정보를 추출할 수 있도록 한다.

ABSTRACT

In Europe the 20% of the CT scans cover the thoracic region. The acquired images contain information about the cardiovascular system that often remains latent due to the lack of contrast in the cardiac area. On the other hand, the contrast enhanced computed tomography (CECT) represents an imaging technique that allows to easily assess the cardiac chambers volumes and the contrast dynamics. With this work we aim to face the problem of extraction and presentation of these latent information, using a deep learning approach with convolutional neural networks. Starting from the extraction of relevant features from the image without contrast medium, we try to re-map them on features typical of CECT, to synthesize an image characterized by an attenuation in the cardiac chambers as if a virtually iodine contrast medium was injected. The purposes are to guarantee an estimation of the left cardiac chambers volume and to perform an evaluation of the contrast dynamics. Our approach is based on a deconvolutional network trained on a set of 120 patients who underwent both CT acquisitions in the same contrastographic arterial phase and the same cardiac phase. To ensure a reliable predicted CECT image, in terms of values and morphology, a custom loss function is defined by combining an error function to find a pixel-wise correspondence, which takes into account the similarity in term of Hounsfield units between the input and output images and by a cross-entropy computed on the binarized versions of the synthesized and of the real CECT image. The proposed method is finally tested on 20 subjects.

연구 동기 및 목표

• 대조 증강이 부족하여 드러나지 않는 비대조심장 CT 스캔에서 잠재적인 심혈관계 정보를 추출하기 위해.
• 요오드 대조제 투여와 같은 효과를 가진 대조증강 CT 영상을 합성할 수 있는 딥러닝 모델을 개발하기 위해.
• 비대조심장 CT 스캔만을 사용하여 좌심방 및 좌심실의 정확한 부피 측정을 가능하게 하기 위해.
• 인간의 시각 기억에 의존하는 분할 기반의 관측자 간 변동성을 줄이기 위해 재현 가능한 딥러닝 기반 영상 합성 시스템으로 대체하기 위해.
• 추가적인 방사선 또는 대조제 노출 없이도 심장실 부피와 대조 동역학을 추정할 수 있는 임상적으로 실현 가능한 방법을 제공하기 위해.

제안 방법

• 비대조심장 CT 영상에서 합성 CECT 영상으로 매핑하기 위해 공간적 및 대조 불변 특징 추출을 활용하는 완전 컨volution 신경망을 훈련한다.
• 픽셀 단위의 L2 손실(HU 유사성 기반)과 이진화된 좌심장실 마스크에 기반한 교차 엔트로피 손실을 조합한 고유한 손실 함수를 사용하여 흡수 값과 해부학적 형태학을 모두 유지한다.
• 동일한 심장 단계(75% R-R)에서 촬영된 비대조 및 대조증강 CT 스캔을 쌍으로 가진 120명의 환자 데이터를 사용하여 네트워크를 훈련한다. 재구성 시 3.0 mm의 슬라이스 두께를 사용한다.
• 데이터 전처리에는 상호정보를 이용한 강성 정렬을 통해 호흡 운동을 보정하고, 공통된 3.0 mm 축방향 해상도로 재샘플링하며, 좌심방 및 심실을 포함하는 슬라이스만 자르는 절차를 포함한다.
• 랜덤 회전(최대 25°)을 통한 데이터 증강을 사용하고, 단일 NVIDIA TITAN X GPU에서 Adam 최적화 기법(초기 학습률 10⁻⁴, 배치 크기 32)을 사용하여 800 에포크 동안 훈련한다.
• 성능 평가를 위해 20명의 테스트 대상에서 평가를 실시하며, 딱딱한 계수, 부피 백분율 오차(dV%), 정규화된 상호정보(NMI), 피크 신호 대 노이즈 비율(PSNR)을 사용한다.

실험 결과

연구 질문

• RQ1 딥러닝 모델이 해부학적 및 흡수 동역학의 정밀도가 높은 CECT 유사 영상을 비대조심장 CT 스캔에서 합성할 수 있는가?
• RQ2 합성 CECT 영상은 인간 독자 대비 좌심장실 부피 측정의 정확도와 재현성 향상에 어느 정도 기여하는가?
• RQ3 딥러닝 모델이 실제 CECT 스캔에서 관찰되는 심장실 간 대조 동역학을 유지하는가?
• RQ4 환자별 해부학적 사전 지식에 의존하지 않고도 다양한 심장 형태와 슬라이스 위치에 일반화 가능한가?
• RQ5 합성 영상 생성 과정이 심장실 분할의 관측자 간 변동성을 줄이기에 충분히 강건한가?

주요 결과

• 합성 CECT 영상은 실제 CECT와 비교해 정규화된 상호정보(NMI)가 0.93±0.03이고 피크 신호 대 노이즈 비율(PSNR)이 48.30±2.03을 기록하여 영상 콘텐츠와 흡수 동역학에서 높은 유사성을 보였다.
• 합성 영상에서 자동으로 수행된 좌심방 및 좌심실 분할은 딱딱한 계수 0.88±0.03을 기록하여 수동 기준값과 강한 겹침을 보였다.
• 합성 영상과 기준값 간의 부피 백분율 오차(dV%)는 9.1±6.2%로, 부피 측정의 높은 정확도를 나타내었다.
• 모델은 인간 독자보다 재현성에서 뛰어나, 내부 관측자 상관계수(ρ)가 0.99이고, 관측자 간 상관계수(ρ)가 0.85였으며, 인간 독자 대비 변동성이 감소한 것으로 나타났다.
• 딥러닝 모델의 딱딱한 점수(0.89±0.03)는 인간 독자(0.85±0.05)보다 높았으며, 이는 분할 정확도 향상을 의미한다.
• 이 방법은 비대조심장 CT 스캔에서 좌심장실 부피와 대조 동역학을 신뢰성 있게 추출할 수 있게 하여, 심장질환 및 판막질환의 조기 진단을 위한 잠재적인 임상 도구가 될 수 있다.