[論文レビュー] Low dose SPECT image denoising using a generative adversarial network

Qi Zhang, Jingzhang Sun+1 more|arXiv (Cornell University)|Jul 27, 2019

Medical Imaging Techniques and Applications参考文献 9被引用数 6

ひとこと要約

本論文は、低線量SPECT画像のノイズ除去を目的として、条件付き生成対抗ネットワーク（cGAN）を提案する。入力として高ノイズSPECT画像を、教師画像として低ノイズ画像を用い、診断可能な品質の画像を生成するようにジェネレータを学習する。この手法により、正規化標準偏差（NSD）を43％低減し、原始的な高ノイズ画像のNSD 0.1213から、ノイズ低減後のNSD 0.0693にまで低下させた。これは、低ノイズ基準画像（NSD = 0.0502）に近い品質にまで到達している。

ABSTRACT

The image noise level and resolution of SPECT images are relatively poor attributed to the limited number of detected counts and various physical degradation factors during acquisitions. This study aims to apply and evaluate the use of generative adversarial network (GAN) method in static SPECT image denoising. A population of 4D extended cardiac-torso (XCAT) phantoms were used to simulate 10 male and female patients with different organ sizes and activity uptakes. An analytical projector was applied to simulate 120 projections from right anterior oblique to left posterior oblique positions with two noise levels. The first noise level was based on a standard clinical count rate of 987 MBq injection and 16 min acquisition (low noise) while the other was 1/8 of the previous count rate (high noise). The high noise and low noise SPECT reconstructed images of 9 patients, i.e., 1026 images (9*114 axial slices) respectively, were paired for training. High noise SPECT images of 1 patient were tested using the trained GAN. The noise level is substantially reduced in high noise SPECT reconstructed images after using the GAN. Our method has the potential to decrease the noise level of SPECT images, which could be traded for a reduced injection dose or acquisition time while still maintaining the similar image quality as compared to the original low noise images for clinical diagnosis.

研究の動機と目的

• 低線量SPECT画像に伴う高ノイズと低解像度の課題に対処し、病変の検出や臨床的診断の質を向上させること。
• CT やMRIとは異なり、まだ十分に研究が進んでいないSPECT画像における生成的対抗ネットワーク（GAN）の応用を検討すること。
• 条件付きGANが、低線量・高ノイズの撮影から高品質なSPECT画像を効果的に再構成できるかどうかを評価すること。
• ノイズの多いデータから診断的に同等の画像を生成することで、臨床的SPECT撮影における被曝線量の低減を可能にすること。
• 変動する解剖学的特徴や取り込み特性を有するリアルなXCATアンソロポメトリック・マンディブルを用いた、シミュレーテッド患者データを用いて手法を検証すること。

提案手法

• 9体のシミュレーテッドXCATアンソロポメトリック・マンディブルを用いて、条件付きGAN（cGAN）を学習した。入力として高ノイズSPECT画像、教師画像として対応する低ノイズ画像を用いた。
• ジェネレータネットワークは高ノイズSPECT画像を入力とし、ノイズ低減された出力を生成する。ディスクリミネータは、生成画像と実際の低ノイズ画像を区別する。
• 学習率0.00001でAdam最適化法を用い、GTX 1070 GPU上で800エポックにわたり学習を実施した。ペアドの高・低ノイズ画像セットを用いた。
• 画像再構成には、120度のプロジェクションを用いた4D XCATアンソロポメトリック・マンディブルに基づき、5イテレーション、6サブセットを用いたOS-EMアルゴリズムを採用した。
• ノイズレベルは、82ピxlsの2次元肝臓ROIを用いた正規化標準偏差（NSD）で評価し、ノイズ低減後の画像と元の画像を比較した。
• 学習データは1026ペアの画像（9患者 × 114軸断層）から構成され、一般化性能の評価のため1名の患者はテストに割り当てられた。

実験結果

リサーチクエスチョン

• RQ1 条件付きGANは、診断的画像品質を保持しつつ、低線量SPECT画像のノイズを効果的に低減できるか？
• RQ2 GANによって生成された画像は、ノイズ低減および構造的忠実度の観点から、低ノイズ基準画像とどの程度類似しているか？
• RQ3 cGANアプローチにより、画像品質に悪影響を及げることなく、被照射放射能または撮影時間を短縮できるか？
• RQ4 従来のノイズ低減技術と比較して、GANベースの手法はノイズ抑制およびアーチファクト制御において優れているか？
• RQ5 訓練に使用しなかった別々のアンソロポメトリック・マンディブルを用いたテストで、モデルは未観測の患者の解剖学的構造や取り込みパターンに一般化できるか？

主な発見

• 提案されたcGANは、高ノイズSPECT画像の正規化標準偏差（NSD）を0.1213から0.0693にまで低減し、43％のノイズ低減を達成した。
• ノイズ低減後の画像のNSDは0.0693であり、これは元の低ノイズ基準画像（NSD = 0.0502）に非常に近い値であり、高品質な再構成が達成されたことを示している。
• 視覚的比較画像により、解剖学的構造と画像コントラストが効果的に保持されていることが確認された。特に顕著なノイズ低減効果が観察された。
• 800エポックにわたり安定した収束が確認され、単一GPU上での総学習時間は2.7時間であった。
• 訓練に使用しなかった患者のアンソロポメトリック・マンディブルを用いたテストで、モデルの一般化能力が示された。これは、臨床応用への可能性を示している。
• 結果から、cGANアプローチにより、低カウントからの診断的に許容可能な画像を生成可能であり、SPECT撮影における被曝線量の低減が可能であると示唆された。