[論文レビュー] Noise Entangled GAN For Low-Dose CT Simulation

Chuang Niu, Ge Wang+9 more|arXiv (Cornell University)|Feb 18, 2021

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

ひとこと要約

本稿では、高線量CT（HDCT）スキャンから直接、現実的でない低線量CT（LDCT）画像をシミュレートするための深層学習ベースの手法であるノイズエンタングル GAN（NE-GAN）を提案する。HDCT をクリーンな画像と高線量ノイズ成分に分解することで、NE-GAN はスケーリングされたノイズをクリーン画像にエンタングルし、制御可能なノイズレベルで LDCT 画像を生成する。この手法により、生の投影データやスキャナ固有のパラメータを必要とせず、高速かつ高精度なシミュレーションが可能になる。

ABSTRACT

We propose a Noise Entangled GAN (NE-GAN) for simulating low-dose computed tomography (CT) images from a higher dose CT image. First, we present two schemes to generate a clean CT image and a noise image from the high-dose CT image. Then, given these generated images, an NE-GAN is proposed to simulate different levels of low-dose CT images, where the level of generated noise can be continuously controlled by a noise factor. NE-GAN consists of a generator and a set of discriminators, and the number of discriminators is determined by the number of noise levels during training. Compared with the traditional methods based on the projection data that are usually unavailable in real applications, NE-GAN can directly learn from the real and/or simulated CT images and may create low-dose CT images quickly without the need of raw data or other proprietary CT scanner information. The experimental results show that the proposed method has the potential to simulate realistic low-dose CT images.

研究の動機と目的

• 生の投影データや特許情報に依存しない、高速でデータ効率の良い低線量CT 画像のシミュレーション手法の開発を目的とする。
• ノイズの統計的性質（例：ノイズパワースペクトル（NPS））を保持する現実的な LDCT 画像を生成し、ノイズ低減アルゴリズムの堅牢な評価を可能にする。
• 学習可能なノイズ要因を用いて、シミュレートされた LDCT 画像におけるノイズレベルを連続的かつ制御可能に変更できるようにする。
• 従来のシングラムベースの LDCT シミュレーションに伴う制限（遅さ、生データや複雑なモデル化の必要性）を克服する。
• 大規模かつ高精度なシミュレートデータを用いて、LDCT ノイズ低減モデルの堅牢性を評価できるスケーラブルな仮想CTワークフローの構築を目的とする。

提案手法

• 高線量CT（HDCT）画像を、デノイジングネットワークやCT シミュレーションに基づくアプローチを用いて、クリーンCT 画像と高線量ノイズ画像に分解する。
• クリーン画像とスケーリングされた高線量ノイズ画像（ノイズ要因を介して）を入力とし、シミュレートされた LDCT 画像を出力するノイズエンタングル GAN（NE-GAN）を訓練する。
• ジェネレータと複数の識別器を備えた NE-GAN を設計し、トレーニング中に事前に定義されたノイズレベルの数に応じて識別器の数を調整する。
• ジェネレータがノイズ構造と統計的性質（ノイズパワースペクトル（NPS）や分散マップなど）を保持するように制約を課す損失関数を用いる。
• 実画像とシミュレート画像の両方を用いたエンドツーエンドのトレーニングを実施し、生のシングラムデータが不要な状態で、現実的なノイズパターンを学習可能にする。
• トレーニング済みの NE-GAN を用いて、ノイズ要因を調整することで、トレーニング範囲外のノイズレベルに対しても LDCT 画像を生成する。

実験結果

リサーチクエスチョン

• RQ1 生の投影データやスキャナ固有のパラメータにアクセスできない状況下でも、深層生成モデルが現実的な低線量CT 画像をシミュレートできるか？
• RQ2 NE-GAN フレームワークは、異なる線量レベルにおいてもノイズパワースペクトル（NPS）などのノイズの統計的性質を保持できるか？
• RQ3 ノイズエンタングルメント機構により、シミュレートされた LDCT 画像におけるノイズレベルの連続的かつ制御可能な変動が可能になるか？
• RQ4 NE-GAN は、実際の LDCT スキャンと視覚的・統計的に区別がつかない LDCT 画像を生成できるか？
• RQ5 NE-GAN の性能は、クリーン画像にスケーリングされたノイズを直接加える単純なノイズスケーリング手法と比べてどのように異なるか？

主な発見

• NE-GAN は、ノイズ要因が 1.3、1.8、3.0 の場合に、90 mA、70 mA、50 mA、30 mA などの複数の線量レベルで、CatSim が生成するものと類似した視覚的品質の LDCT 画像を効果的にシミュレートした。
• NE-GAN が生成した LDCT 画像のノイズパワースペクトル（NPS）は、基準シミュレーションと密接に一致しており、重要な統計的ノイズ特性の保持が確認された。
• ノイズインデックスが 10 の実際の HDCT 画像をトレーニングデータとして用いた場合、ノイズインデックスが 20、30、40（ノイズ要因 2.0、3.0、4.0）の LDCT 画像を生成し、実際の LDCT スキャンと視覚的に同等の品質を達成した。
• NE-GAN は単純なノイズスケーリング手法を上回る性能を示した。クリーン画像にスケーリングされたノイズを直接加える手法では、実際の LDCT 画像の現実的なテクスチャーや構造を再現できなかった。
• トレーニング時に見られなかったノイズ要因に対しても、モデルは一般化し、要因値の増加に伴い滑らかで連続的なノイズ強度の増加を示した。
• NE-GAN のシミュレーション速度は、従来のシングラムベース手法に比べて顕著に高速であり、アルゴリズムの評価に適した大規模な LDCT データセットの効率的生成が可能になった。