[論文レビュー] Data Consistent Artifact Reduction for Limited Angle Tomography with Deep Learning Prior

Yixing Huang, Alexander Preuhs+4 more|arXiv (Cornell University)|Aug 19, 2019

Medical Imaging Techniques and Applications参考文献 29被引用数 6

ひとこと要約

本稿では、限界角度コーンビームCTにおけるデータ整合性を保つアーティファクト低減（DCAR）手法を提案する。この手法は、深層学習の事前知識と反復再構成を組み合わせてデータ整合性を強制する。欠損した角度範囲のための事前画像をU-Netで生成し、全変動正則化を施したデータ整合性SARTアルゴリズムを適用することで、最新のU-Net手法と比較して、ノイズなし条件下で10%以上、ノイズあり条件下で24%以上のRMSE低減を達成した。

ABSTRACT

Robustness of deep learning methods for limited angle tomography is challenged by two major factors: a) due to insufficient training data the network may not generalize well to unseen data; b) deep learning methods are sensitive to noise. Thus, generating reconstructed images directly from a neural network appears inadequate. We propose to constrain the reconstructed images to be consistent with the measured projection data, while the unmeasured information is complemented by learning based methods. For this purpose, a data consistent artifact reduction (DCAR) method is introduced: First, a prior image is generated from an initial limited angle reconstruction via deep learning as a substitute for missing information. Afterwards, a conventional iterative reconstruction algorithm is applied, integrating the data consistency in the measured angular range and the prior information in the missing angular range. This ensures data integrity in the measured area, while inaccuracies incorporated by the deep learning prior lie only in areas where no information is acquired. The proposed DCAR method achieves significant image quality improvement: for 120-degree cone-beam limited angle tomography more than 10% RMSE reduction in noise-free case and more than 24% RMSE reduction in noisy case compared with a state-of-the-art U-Net based method.

研究の動機と目的

• 深層学習ベースの限界角度CT再構成手法の一般化性能の低さとノイズ感受性を改善すること。
• 測定されたプロジェクションと整合性を持たない直接的な画像対画像の深層学習ネットワークの制限を克服すること。
• 測定済み領域ではデータ整合性を保ちつつ、欠損した角度範囲でのみ深層学習の事前知識を統合することで、画像品質を向上させること。
• 学習済み事前知識と従来の反復的再構成を組み合わせたハイブリッドモデルにより、ポissonノイズおよび未知のデータに対する耐性を高めること。
• ノイズなしおよびノイズありの限界角度トモグラフィーにおいて、最先端のU-Netベース手法を上回る優れた再構成品質を達成すること。

提案手法

• 未取得の角度範囲における欠落した構造的情報を推定するため、限界角度FBP再構成画像を用いてU-Netを学習し、事前画像を生成する。
• 取得済み角度範囲における測定されたプロジェクションデータと整合性を保つ従来のSARTベースの反復的再構成アルゴリズムを適用する。
• U-Netで生成された事前画像を再構成プロセスに統合し、欠損角度範囲での解法をガイドする。
• SARTアルゴリズムにおいて全変動正則化（wTV）とソフトスレッショルド処理を用い、ノイズを低減するとともにエッジを保持する。
• 最終的な再構成画像が測定されたプロジェクションと整合的であると同時に、不正確な深層学習予測によるアーティファクトを最小限に抑える。
• 反復的フレームワークにおいて、データ整合性の強制と事前知識に基づく画像更新を交互に最適化することで再構成を最適化する。

実験結果

リサーチクエスチョン

• RQ1 データ整合性制約と組み合わせた深層学習の事前知識が、限界角度トモグラフィーにおける画像品質向上に寄与するか。
• RQ2 測定されたプロジェクションと整合性を保つことで、深層学習ベース再構成のノイズ感受性がどのように向上するか。
• RQ3 エンドツーエンドの深層学習ネットワークと比較して、提案手法は未知の被験者データへの一般化性能がどの程度向上するか。
• RQ4 事前知識学習（欠損角度）とデータ整合性（測定角度）の分離が、直接的な画像対画像学習と比較して、アーティファクトとノイズをどれほど低減するか。
• RQ5 低線量CTで一般的な現実的なポissonノイズ条件下で、この手法はどの程度の性能を示すか。

主な発見

• ノイズなしの120°コーンビーム限界角度トモグラフィーにおいて、DCARはU-Net手法と比較してRMSEを10%以上低減した。
• ポissonノイズが存在する状況では、DCARはU-Netベースラインと比較して相対的なRMSE低減率が24%以上に達した。
• 視覚的比較において、再構成画像にノイズパターンが認められず、ポissonノイズが効果的に除去されたことが裏付けられた。
• 小さな気孔や低コントラスト組織（例：脂肪や筋肉）といった微細構造が、U-Net出力と比較してDCAR再構成でよりよく保持された。
• U-Net再構成で観察された暗黒領域や構造的歪みが、データ整合性の強制によりDCARで効果的に是正された。
• クロスバリデーションにおいて複数のテスト被験者で一貫した性能を示したことから、ハイブリッド手法は未知の被験者データへの一般化性能に優れていることが明らかになった。