[論文レビュー] LEARN++: Recurrent Dual-Domain Reconstruction Network for Compressed Sensing CT

Yi Zhang, Hu Chen+6 more|arXiv (Cornell University)|Dec 13, 2020

Medical Imaging Techniques and Applications参考文献 49被引用数 8

ひとこと要約

LEARN++ は、画像ドメインとプロジェクションドメインの両方で、画像再構成とシノグラム補間を統合的に最適化する再帰的二重ドメイン深層学習フレームワークを提案する。並列で相互作用するサブネットワークを統合することで、最先端の手法と比較して優れたアーチファクト低減と詳細の保持を達成し、スパarsely sampledビューおよび限界角度CT応用において優れた性能を示す。

ABSTRACT

Compressed sensing (CS) computed tomography has been proven to be important for several clinical applications, such as sparse-view computed tomography (CT), digital tomosynthesis and interior tomography. Traditional compressed sensing focuses on the design of handcrafted prior regularizers, which are usually image-dependent and time-consuming. Inspired by recently proposed deep learning-based CT reconstruction models, we extend the state-of-the-art LEARN model to a dual-domain version, dubbed LEARN++. Different from existing iteration unrolling methods, which only involve projection data in the data consistency layer, the proposed LEARN++ model integrates two parallel and interactive subnetworks to perform image restoration and sinogram inpainting operations on both the image and projection domains simultaneously, which can fully explore the latent relations between projection data and reconstructed images. The experimental results demonstrate that the proposed LEARN++ model achieves competitive qualitative and quantitative results compared to several state-of-the-art methods in terms of both artifact reduction and detail preservation.

研究の動機と目的

• 従来の圧縮センシングCTにおける手作業で設計された正則化項の制限を克服し、エンドツーエンド最適化を実現する深層学習の活用。
• 画像ドメインとプロジェクションドメインの相互作用を統合的にモデル化することで、スパarsely sampledビューおよび限界角度CTにおける画像品質の向上。
• 再帰的アーキテクチャを採用し、画像空間およびシノグラム空間の両方で反復的フィードバックを可能にすることで、再構成の忠実度を向上。
• 低線量またはアンダーサンプリングされたCTスキャンにおけるアーチファクト低減と微細な解剖的構造の保持。
• 定性的および定量的指標の両面で、既存の深層学習ベースの再構成手法を上回る性能の達成。

提案手法

• 本手法は、画像ドメインの復元と投影ドメインのシノグラム補間の2つの並列で相互作用するサブネットワークを採用する。
• 再帰的構造を用いて再構成を反復的に精緻化し、圧縮センシングの最適化プロセスを模倣する。
• データ整合性を両ドメインで同時に強制することで、ドメイン間フィードバックが可能となり、特徴の学習が向上する。
• 構造的詳細の保持を目的として、L2損失と知覚的損失の組み合わせを用いてエンドツーエンドでモデルを訓練する。
• LEARNモデルを拡張し、二重ドメイン学習を導入することで、画像空間とプロキシング空間表現の統合的最適化を可能にする。
• 再帰的残差ブロック設計により、複数のイテレーションにわたり勾配安定性を確保した深層特徴学習を実現する。

実験結果

リサーチクエスチョン

• RQ1 画像ドメインとプロキシングドメインの両方で統合的最適化を実施することで、圧縮センシングCTにおける再構成品質が向上するか？
• RQ2 再帰的二重ドメイン学習は、単一ドメインまたは非再帰的手法と比較して、アーチファクト抑制および詳細保持の面で優れているか？
• RQ3 提案手法は、スパarsely sampledビューCT再構成において、ノイズやストリークアーチファクトをどの程度低減できるか？
• RQ4 画像ドメインとプロキシングドメインのサブネットワーク間の相互作用は、構造的忠実度および診断的正確性を向上させるか？
• RQ5 本モデルは、限界角度やスパarsely sampled取得を含むさまざまなスキャンプロトコルに一般化可能か？

主な発見

• LEARN++ は、スパarsely sampledビューCTデータセットにおいて、PSNRおよびSSIMの両面で最先端の手法を上回る競争力ある定量的結果を達成した。
• 低線量再構成において、ストリークアーチファクトとノイズを顕著に低減するとともに、微細な解剖的構造の保持に成功した。
• 視覚的比較では、特に低サンプリング状態下において、ベースライン手法と比較してよりシャープでアーチファクトの少ない画像を生成した。
• 二重ドメイン間の相互作用により、単一ドメインの対応手法と比較して、より安定した学習と収束性が向上した。
• 再帰的構造により、複数イテレーションにわたり効果的な特徴精緻化が可能となり、再構成精度が向上した。
• 本手法は、インテリアCTおよびスパarsely sampledビューCTを含むさまざまな取得プロトコルに対して、強固な性能を示した。