[논문 리뷰] Using Uncertainty in Deep Learning Reconstruction for Cone-Beam CT of the Brain

Pengwei Wu, Alejandro Sisniega외 8명|arXiv (Cornell University)|2021. 08. 20.

Medical Imaging Techniques and Applications참고 문헌 8인용 수 13

한 줄 요약

이 논문은 신뢰도 추정을 몬테카를로 드롭아웃을 통해 통합한 물리 기반 프레임워크를 활용하여 영상 품질 향상과 병변 정확도 향상을 위한 딥러닝 기반 콘빔 CT 재구성 방법인 DL-Recon을 제안한다. 신뢰도 인식 합성과 모델 기반 재구성을 융합함으로써, 공간 해상도를 유지하면서 소음을 약 50% 감소시키고 균일성을 40–70% 향상시키며, 표준 딥러닝 합성보다 병변 대비 및 분할 정확도를 향상시킨다.

ABSTRACT

Contrast resolution beyond the limits of conventional cone-beam CT (CBCT) systems is essential to high-quality imaging of the brain. We present a deep learning reconstruction method (dubbed DL-Recon) that integrates physically principled reconstruction models with DL-based image synthesis based on the statistical uncertainty in the synthesis image. A synthesis network was developed to generate a synthesized CBCT image (DL-Synthesis) from an uncorrected filtered back-projection (FBP) image. To improve generalizability (including accurate representation of lesions not seen in training), voxel-wise epistemic uncertainty of DL-Synthesis was computed using a Bayesian inference technique (Monte-Carlo dropout). In regions of high uncertainty, the DL-Recon method incorporates information from a physics-based reconstruction model and artifact-corrected projection data. Two forms of the DL-Recon method are proposed: (i) image-domain fusion of DL-Synthesis and FBP (DL-FBP) weighted by DL uncertainty; and (ii) a model-based iterative image reconstruction (MBIR) optimization using DL-Synthesis to compute a spatially varying regularization term based on DL uncertainty (DL-MBIR). The error in DL-Synthesis images was correlated with the uncertainty in the synthesis estimate. Compared to FBP and PWLS, the DL-Recon methods (both DL-FBP and DL-MBIR) showed ~50% reduction in noise (at matched spatial resolution) and ~40-70% improvement in image uniformity. Conventional DL-Synthesis alone exhibited ~10-60% under-estimation of lesion contrast and ~5-40% reduction in lesion segmentation accuracy (Dice coefficient) in simulated and real brain lesions, suggesting a lack of reliability / generalizability for structures unseen in the training data. DL-FBP and DL-MBIR improved the accuracy of reconstruction by directly incorporating information from the measurements in regions of high uncertainty.

연구 동기 및 목표

• 뇌 영상용 전통적인 콘빔 CT(CBCT)에서의 제한된 대비 해상도 문제를 해결하기 위해.
• 학습 데이터에 존재하지 않는 병변에 대해 딥러닝 재구성의 일반화 능력을 향상시키기 위해.
• 공간 해상도를 유지하면서 CBCT에서 소음을 줄이고 영상 균일성을 향상시키기 위해.
• 임상적으로 관련된 구조에서 병변 대비 및 분할 정확도를 향상시키기 위해.
• 신뢰도를 활용하여 데이터 기반 및 물리 기반 재구성 간 융합을 이끄는 방법을 개발하기 위해.

제안 방법

• 딥러닝 합성 네트워크가 보정되지 않은 FBP 재구성에서 정제된 CBCT 영상(DL-Synthesis)을 생성한다.
• 추론 중 몬테카를로 드롭아웃을 사용하여 DL-Synthesis의 병렬체적 신뢰도를 추정한다.
• 높은 신뢰도가 낮은 영역에서는 아티팩트 보정된 프로젝션 데이터를 사용한 물리 기반 재구성을 통합한다.
• 두 가지 변종을 제안한다: DL-FBP는 불확실성 가중 혼합을 통해 DL-Synthesis와 FBP를 융합하는 방식이며, DL-MBIR는 불확실성을 기반으로 반복 재구성에서 공간적으로 변화하는 정규화 항을 정의하는 방식이다.
• 불확실도 추정치는 저신뢰 영역에서 측정 기반 정보를 우선순위에 두어 신뢰성 향상에 기여한다.
• 데이터 기반 영상 합성과 원칙적인 물리 모델링을 결합함으로써 복원력과 정확도를 향상시킨다.

실험 결과

연구 질문

• RQ1 딥러닝에서의 불확실도 추정이 CBCT 재구성에서 훈련 데이터에 존재하지 않는 해부학적 구조에 대한 일반화 능력을 향상시키는가?
• RQ2 불확실도 유도 융합이 소음과 균일성과 같은 영상 품질 지표에 미치는 영향은 어떠한가?
• RQ3 표준 딥러닝 합성 대비 불확실도 인식 재구성이 병변 대비 및 분할 정확도를 얼마나 향상시키는가?
• RQ4 몬테카를로 드롭아웃을 통한 불확실도 추정이 CBCT에서 측정 기반 보정이 필요한 영역을 효과적으로 식별할 수 있는가?
• RQ5 모델 기반 재구성에 불확실도를 통합함으로써 저대비 뇌 구조의 재현 정확도는 얼마나 향상되는가?

주요 결과

• DL-Recon은 공간 해상도를 동일하게 유지하면서 FBP 및 PWLS 대비 약 50%의 소음 감소를 달성했다.
• 다양한 스캔 조건에서 DL-Recon 방법을 사용함으로써 영상 균일성이 40–70% 향상되었다.
• 표준 DL-Synthesis만으로는 시뮬레이션 및 실제 뇌 병변에서 병변 대비를 10–60% 과소평가했고, 병변 분할 정확도(Dice 계수)를 5–40% 저하시켰다.
• DL-FBP와 DL-MBIR는 높은 불확실성 영역에서 측정 데이터를 통합함으로써 병변 대비 및 분할 정확도를 크게 향상시켰다.
• DL-Synthesis 영상의 오차는 추정된 불확실도와 강하게 상관되어 있었으며, 이는 불확실도 정량화의 신뢰성에 대한 검증이 되었다.
• 불확실도 인식 융합 전략은 딥러닝 재구성이 신뢰할 수 없는 영역에서 물리 모델 정보를 효과적으로 우선순위에 두어 전체 재구성 정밀도를 향상시켰다.