[論文レビュー] Low-Dose CT via Deep CNN with Skip Connection and Network in Network

Chenyu You, Linfeng Yang+2 more|arXiv (Cornell University)|Nov 26, 2018

Medical Imaging Techniques and Applications参考文献 13被引用数 8

ひとこと要約

本稿では、低線量CT（LDCT）画像のノイズ除去を目的とした、スキップ接続およびネットワーク内ネットワークアーキテクチャを備えた深層畳み込みニューラルネットワーク（DCSWGAN）を提案する。残差学習、次元削減のための$1\times1$畳み込みネットワーク、および$L_1$損失を用いたワッサーシュタインGANを統合することで、PSNR、SSIM、視覚的品質の面で最先端の手法を上回り、腹部CTスキャンにおいて優れたノイズ抑制と構造的詳細の保持を達成した。

ABSTRACT

A major challenge in computed tomography (CT) is how to minimize patient radiation exposure without compromising image quality and diagnostic performance. The use of deep convolutional (Conv) neural networks for noise reduction in Low-Dose CT (LDCT) images has recently shown a great potential in this important application. In this paper, we present a highly efficient and effective neural network model for LDCT image noise reduction. Specifically, to capture local anatomical features we integrate Deep Convolutional Neural Networks (CNNs) and Skip connection layers for feature extraction. Also, we introduce parallelized $1 imes 1$ CNN, called Network in Network, to lower the dimensionality of the output from the previous layer, achieving faster computational speed at less feature loss. To optimize the performance of the network, we adopt a Wasserstein generative adversarial network (WGAN) framework. Quantitative and qualitative comparisons demonstrate that our proposed network model can produce images with lower noise and more structural details than state-of-the-art noise-reduction methods.

研究の動機と目的

• 低線量CT画像のノイズを低減させつつ、解剖学的および病理的詳細を保持すること。
• ぼやけや微細構造の損失を引き起こす従来のノイズ除去手法の限界を解消すること。
• 階層的特徴抽出と次元削減を通じて、計算効率の向上と特徴表現の強化を図ること。
• 残差学習と対抗的訓練を組み合わせることで、よりシャープで現実的である出力を得ることで、画像品質を向上させること。

提案手法

• 生成器ネットワークは、複数のレイヤーからの特徴を保存・統合するためのスキップ接続を採用しており、勾配の流れと特徴の再利用を向上させている。
• 再構築段階の後に、並列な$1\times1$畳み込みを用いたネットワーク内ネットワークモジュールにより、特徴の次元を削減し、情報損失を最小限に抑えつつ計算コストを低減している。
• 残差学習は、バイキューブ補間によるLDCT画像と対応するフルドーズCT（FDCT）画像との差分を予測するようにネットワークを学習させることで適用されている。
• 識別器モデルは、生成画像の分布を実際のFDCT画像の分布に一致させるWGANフレームワークを用いており、視覚的品質の向上に寄与している。
• 損失関数は、WGANの対抗的損失と$L_1$ノルム損失を組み合わせており、詳細の保持とノイズ抑制のバランスを取るために正則化パラメータ$\lambda_1$が用いられている。
• 10名の患者から$80\times80$の画像パッチを抽出し、Hounsfieldユニット値を[0,1]に正規化した。モデルは、1人を除いた交差検証（leave-one-out）を用いて訓練された。

実験結果

リサーチクエスチョン

• RQ1 スキップ接続およびネットワーク内ネットワークアーキテクチャを備えた深層畳み込みニューラルネットワークは、微細な解剖学的構造を保持しつつ、低線量CT画像のノイズを効果的に抑制できるか？
• RQ2 残差学習とワッサーシュタインGANを組み合わせることで、標準のGANや$L_1$ベースのモデルと比較して、ノイズ除去LDCT画像の視覚的品質と構造的整合性がどのように向上するか？
• RQ3 ネットワーク内ネットワーク設計における$1\times1$畳み込みの使用が、LDCTノイズ除去において特徴表現の劣化を招かずに計算複雑性をどの程度低減できるか？
• RQ4 提案されたDCSWGANフレームワークは、臨床的腹部CTデータにおいてPSNR、SSIM、RMSEの観点で最先端の手法を上回る性能を達成できるか？

主な発見

• DCSWGANはテストセットで最高のPSNR（26.928）とSSIM（0.828）を達成し、CNN-L1、WGAN、DCSCNの各手法を上回った。
• 視覚的検査により、DCSWGANが、図3(f)の破線サークルおよび矢印で示されるように、転移巣や微細なテクスチャなどの微細構造を最もよく保持していることが確認された。
• 背景ノイズは顕著に低減されたが、CNN-L1やDCSCNの結果に見られたぼやけやブロックアーチファクトは最小限に抑えられた。
• DCSCNは最高のPSNR（28.016）とSSIM（0.883）を達成したが、依然として顕著なぼやけが見られ、ノイズ低減とシャープネスの間にはトレードオフが存在することが示された。
• WGANベースの手法（DCSWGAN）は、$L_1$ベースのCNN-L1や標準のWGANモデルと比較して、より現実的でエッジがシャープでコントラスト分解能の高い画像を生成した。
• $L_1$損失とWGANの対抗的訓練の組み合わせにより、画像のぼやけが効果的に低減され、高周波成分が良好に保持されたことが、図3および図5のズームインROIで確認された。