[논문 리뷰] Using a Generative Adversarial Network for CT Normalization and its Impact on Radiomic Features

Leihao Wei, Yannan Lin외 1명|arXiv (Cornell University)|2020. 01. 22.

Radiomics and Machine Learning in Medical Imaging참고 문헌 16인용 수 4

한 줄 요약

이 연구는 저선량 및 두꺼운 단면 CT 스캔을 기준선 선량, 얇은 단면 기준 영상으로 동시에 정규화하는 3D 생성적 적대 신경망(GAN)을 제안한다. 이는 인지적 영상 품질을 향상시키고 방사선형 기능 특징의 변동성을 크게 감소시킨다. GAN은 CNN 기반 기준선보다 인지적 유사도를 35% 향상시키고, 9개의 기능 중 9개에서 방사선형 기능 오차를 감소시켜(p < 0.05) 방사선학 및 CADx 시스템에서 이질적인 CT 프로토콜을 표준화하는 데 잠재력을 보여준다.

ABSTRACT

Computer-Aided-Diagnosis (CADx) systems assist radiologists with identifying and classifying potentially malignant pulmonary nodules on chest CT scans using morphology and texture-based (radiomic) features. However, radiomic features are sensitive to differences in acquisitions due to variations in dose levels and slice thickness. This study investigates the feasibility of generating a normalized scan from heterogeneous CT scans as input. We obtained projection data from 40 low-dose chest CT scans, simulating acquisitions at 10%, 25% and 50% dose and reconstructing the scans at 1.0mm and 2.0mm slice thickness. A 3D generative adversarial network (GAN) was used to simultaneously normalize reduced dose, thick slice (2.0mm) images to normal dose (100%), thinner slice (1.0mm) images. We evaluated the normalized image quality using peak signal-to-noise ratio (PSNR), structural similarity index (SSIM) and Learned Perceptual Image Patch Similarity (LPIPS). Our GAN improved perceptual similarity by 35%, compared to a baseline CNN method. Our analysis also shows that the GAN-based approach led to a significantly smaller error (p-value &lt; 0.05) in nine studied radiomic features. These results indicated that GANs could be used to normalize heterogeneous CT images and reduce the variability in radiomic feature values.

연구 동기 및 목표

• 선량 수준 및 단면 두께와 같은 CT 촬영 프로토콜의 차이로 인해 발생하는 방사선형 기능 특징의 변동성을 해결하기 위해.
• 선량과 단면 두께를 별도로 다루는 대신, 동시에 정규화하는 통합된 딥 러닝 방법을 개발하기 위해.
• 학습 안정성을 확보하기 위해 스펙트럼 정규화를 사용한 3D GAN을 활용해, 정규화된 CT 스캔의 인지적 영상 품질을 향상시키기 위해.
• GAN 기반 정규화가 원래의 이질적인 스캔과 CNN 기반 기준선에 비해 방사선형 기능 오차를 줄이는지 평가하기 위해.
• 다양한 촬영 파rameter에서 정규화가 방사선형 기능 일관성에 미치는 영향을 평가하여, 강력한 CADx 시스템을 지원하기 위해.

제안 방법

• 스펙트럼 정규화를 적용한 3D 조건부 GAN을 훈련하여 저선량(10%, 25%, 50%) 및 두꺼운 단면(2.0mm) CT 스캔을 표준선량(100%) 및 얇은 단면(1.0mm) 기준 스캔으로 매핑한다.
• 생성자 네트워크는 열악한 입력에서 고품질의, 인지적으로 현실적인 CT 볼륨을 재구성하는 데 학습하고, 구분자 네트워크는 실제 기준 스캔과 생성된 스캔을 구분한다.
• 모델은 적대적 손실과 인지적 손실의 조합을 사용하여 훈련하며, 영상 품질은 PSNR, SSIM, LPIPS를 통해 평가된다.
• 비교를 위해 동일한 입력-출력 쌍을 사용한 평균 제곱오차(MSE) 손실로 훈련된 기준 CNN 모델을 구축하였다.
• 시험 스캔의 종양에서 방사선형 기능을 추출하여 원본, CNN 생성 영상, GAN 생성 영상 간의 오차를 정량화하였다.
• 기능 오차의 유의미성은 대응된 Wilcoxon 부호 순위 검정(p < 0.05)을 통해 평가되었다.

실험 결과

연구 질문

• RQ1 3D GAN은 단일 통합 프레임워크 내에서 저선량 및 두꺼운 단면 CT 스캔을 표준 기준 프로토콜로 효과적으로 정규화할 수 있는가?
• RQ2 LPIPS, PSNR, SSIM로 측정했을 때, GAN 기반 정규화가 CNN 기반 기준선보다 인지적 영상 품질을 더 향상시키는가?
• RQ3 GAN 기반 정규화는 원래의 이질적 스캔과 CNN 기반 출력에 비해 방사선형 기능 오차를 어느 정도 감소시키는가?
• RQ4 여러 기능과 정규화 시나리오에 걸쳐 방사선형 기능 오차 감소가 통계적으로 유의미한가?
• RQ5 GAN 기반 정규화는 CADx 시스템에 핵심적인 텍스처 및 형태 기반 기능의 일관성에 어떤 영향을 미치는가?

주요 결과

• LPIPS로 측정했을 때, GAN은 CNN 기준선 대비 인지적 유사도를 35% 향상시켰으며, 가장 극단적인 정규화 조건(10% 선량, 2.0mm 단면)에서 가장 큰 향상을 보였다.
• PSNR 및 SSIM 값은 낮았지만, GAN 생성 영상에서는 가장 날카운 가장자리와 풍부한 질감을 보여, 특히 종양 가장자리에서 뚜렷하게 향상된 인지적 품질을 나타냈다.
• 원래의 이질적 스캔에 비해 GAN 기반 방법은 9개의 방사선형 기능에서 평균 오차가 유의미하게 낮게 나타났다(p < 0.05), 가장 높은 p-값은 0.035였다.
• GAN은 9개의 방사선형 기능 중 8개에서 CNN 기반 기준선에 비해 기능 오차를 감소시켰으며, 결과 표에서 통계적 유의성은 별표로 표시되었다.
• 정규화된 영상에서는 방사선형 기능의 변동성이 감소하여, 다양한 촬영 프로토콜 간의 일관성이 향상되었으며, 이는 신뢰할 수 있는 CADx 성능에 매우 중요하다.
• 본 연구는 3D GAN을 통한 선량과 단면 두께의 통합 정규화가 기존의 노이즈 제거나 초해상도 증강만으로는 달성할 수 없는 더 신뢰성 있고 일관성 있는 방사선형 기능 추출을 가능하게 한다는 것을 입증한다.