[論文レビュー] Consensus Neural Network for Medical Imaging Denoising with Only Noisy Training Samples

Dufan Wu, Kuang Gong+2 more|arXiv (Cornell University)|Jun 9, 2019

Medical Imaging Techniques and Applications参考文献 9被引用数 12

ひとこと要約

本論文は、同一画像の2つの独立したノイズ実現を活用することで、クリーンな参照画像が存在しない医療画像のノイズ除去に特化したコンSENSUSニューラルネットワークを提案する。新規のコンセンサス損失関数と、平均がゼロで相関のないノイズ下での教師あり学習と同等であることを示す理論的基盤を備え、低線量CTおよびアンダーサンプリングMRデータセットにおいて、教師なしノイズ除去の最先端性能を達成し、Noise2noise や反復的手法を上回り、微細構造を保持する。

ABSTRACT

Deep neural networks have been proved efficient for medical image denoising. Current training methods require both noisy and clean images. However, clean images cannot be acquired for many practical medical applications due to naturally noisy signal, such as dynamic imaging, spectral computed tomography, arterial spin labeling magnetic resonance imaging, etc. In this paper we proposed a training method which learned denoising neural networks from noisy training samples only. Training data in the acquisition domain was split to two subsets and the network was trained to map one noisy set to the other. A consensus loss function was further proposed to efficiently combine the outputs from both subsets. A mathematical proof was provided that the proposed training scheme was equivalent to training with noisy and clean samples when the noise in the two subsets was uncorrelated and zero-mean. The method was validated on Low-dose CT Challenge dataset and NYU MRI dataset and achieved improved performance compared to existing unsupervised methods.

研究の動機と目的

• 動的CT、PET、ASL-MRI などのモalityに内在するノイズのため、クリーンな参照画像が入手できない医療画像における深層ノイズ除去ネットワークの学習課題に対処すること。
• 特定のノイズ条件の下で教師あり学習と同等であることを数学的に厳密に証明することで、Noise2noiseフレームワークを拡張すること。
• 同じ画像の2つの独立したノイズ実現を効果的に統合するためのコンセンサス損失関数を設計し、既存の教師なし手法を上回るノイズ除去性能を実現すること。
• クリーンな画像が学習中に利用できない実世界の医療画像データセット（低線量CTおよびNYU MRI）に対して、本手法の有効性を検証すること。
• スキャナのデータ収集パイプラインを変更せずに臨床ワークフローに統合可能なように、ノイズ入力をコンセンサス出力にマップする別個のネットワークを学習させること。

提案手法

• 各ノイズを含む入力を2つの独立したノイズ実現に分割し、それらをノイズ除去ネットワークの入力（ソース）と出力（ターゲット）として扱う。
• 2つのノイズ実現を相互に予測できるように最適化する新規のコンセンサス損失関数を導入し、特徴抽出のための両方の入力を活用する。
• 理論的分析により、2つの実現におけるノイズが平均ゼロかつ非相関である場合、提案手法の学習スキームが教師あり学習と同等であることを証明し、Noise2noiseが機能する条件を明確化する。
• 2番目のノイズ実現と予測画像との間のL2損失を用いてネットワークを学習し、1番目のノイズが与えられたときの2番目のノイズの条件付き期待値がゼロであるという仮定を置く。
• 学習後、推論時にはペアデータを必要とせず、単一のノイズ入力のみでコンセンサスネットワークを運用可能となる。
• 既存の再構成ワークフローと互換性がある。ノイズ入力をコンセンサスネットワーク出力にマップする別個のネットワークを教師あり学習で事前に学習可能である。

実験結果

リサーチクエスチョン

• RQ1 Noise2noise学習は、どのような条件下でクリーン画像を用いた教師ありノイズ除去と同等となるか？
• RQ2 同じ画像の2つの独立したノイズ実現を効果的に活用するコンセンサス損失関数を設計できるか？
• RQ3 本手法は、ノイズ特性が難しい実医用画像データセット（低線量CTおよびアンダーサンプリングMR）において、既存の教師なしノイズ除去手法（Noise2noise）を上回る性能を示すか？
• RQ4 低線量およびアンダーサンプリング画像において、ノイズ低減と微細な解剖的構造・テクスチャの保持を両立できるか？
• RQ5 本フレームワークは、スキャナのデータ収集プロトコルを変更せずに臨床現場に導入可能か？

主な発見

• 低線量CTチャレンジデータセットでは、本手法が教師なし手法の中で最高のSSIM（87.1 ± 3.4）を達成し、Noise2noise（84.2 ± 4.6）を上回り、教師ありのNoise2clean（87.7 ± 3.3）と同等の性能を示した。
• CTデータではRMSEが18.4 ± 2.9 HUを記録し、Noise2noise（17.4 ± 3.2）よりわずかに高いが、小さな病変やテクスチャの保持が顕著に優れていた。
• 4倍アンダーサンプリングされたNYU MRIデータセットでは、本手法が最小のRMSE（23.4 ± 4.2 × 10⁻³）と最大のSSIM（95.2 ± 0.6）を達成し、Noise2noise（RMSE: 27.7 ± 6.3, SSIM: 94.6 ± 1.3）を上回った。
• 視覚的比較では、本手法はゼロフィルティングやSENSE、Noise2noiseよりも構造的詳細をよりよく保持し、ノイズとアーチファクトをより効果的に低減しており、教師ありのNoise2cleanと非常に近い結果を示した。
• 本手法は、CTにおける局所的ノイズとMRにおける非局所的アンダーサンプリングアーチファクトの両方に対して頑健であり、さまざまなノイズモデルに広く適用可能であることが示された。
• ノイズの独立性が部分的に破れても、正則化によってノイズ相関に起因するアーチファクトを効果的に低減し、高い画像品質を維持した。