[论文解读] Pseudo Dual Energy CT Imaging using Deep Learning Based Framework: Initial Study

Sui Li, Yongbo Wang+5 more|arXiv (Cornell University)|Nov 20, 2017

Advanced X-ray and CT Imaging参考文献 2被引用 10

一句话总结

本研究提出一种级联深度卷积神经网络（CD-ConvNet），通过利用能量特异性图像之间的全局相关性和高度相似性，从单能量CT（SECT）扫描生成伪双能量CT（pDECT）图像。该方法生成了高质量的pDECT图像，并实现了精确的物质分解，定量结果表明与参考DECT图像高度一致（水：0.45 ± 1.02e-8，骨：0.061 ± 6.74e-9）。

ABSTRACT

Dual energy computed tomography (DECT) has become of particular interest in clinic recent years. The DECT scan comprises two images, corresponding to two photon attenuation coefficients maps of the objects. Meanwhile, the DECT images are less accessible sometimes, compared to the conventional single energy CT (SECT). This motivates us to simulate pseudo DECT (pDECT) images from the SECT images. Inspired by recent advances in deep learning, we present a deep learning based framework to yield pDECT images from SECT images, utilizing the intrinsic characteristics underlying DECT images, i.e., global correlation and high similarity. To demonstrate the performance of the deep learning based framework, a cascade deep ConvNet (CD-ConvNet) approach is specifically presented in the deep learning framework. In the training step, the CD-ConvNet is designed to learn the non-linear mapping from the measured energy-specific (i.e., low-energy) CT images to the desired energy-specific (i.e., high-energy) CT images. In the testing step, the trained CD-ConvNet can be used to yield desired high-energy CT images from the low-energy CT images, and then produce accurate basic material maps. Clinical patient data were employed to validate and evaluate the presented CD-ConvNet approach performance. Both visual and quantitative results demonstrate the presented CD-ConvNet approach can yield high quality pDECT images and basic material maps.

研究动机与目标

• 为克服双能量CT（DECT）可用性有限的问题，通过从常规单能量CT（SECT）扫描模拟伪双能量CT（pDECT）图像。
• 通过采用级联架构增强特征提取能力，利用深度学习提升pDECT重建图像质量。
• 使用临床患者数据验证所提框架的性能，重点关注图像的视觉保真度和物质分解的定量准确性。
• 证明CD-ConvNet能够生成适用于诊断应用的可靠能量特异性图像。

提出的方法

• 设计了一种具有多个堆叠卷积模块的级联深度卷积神经网络（CD-ConvNet），每个模块由卷积、批归一化和ReLU层组成，以学习从低能量到高能量CT图像的非线性映射。
• 首个卷积神经网络将低能量CT图像映射为初始伪高能量图像；后续级联网络迭代优化输出，以提升重建质量。
• 网络使用均方误差（MSE）损失函数进行训练：$\mathcal{L}(\theta) = \frac{1}{N}\sum_{i=1}^{N}\|X_{\text{PseudoH}} - X_{H}\|^2$，最小化预测值与参考高能量图像之间的差异。
• 采用小批量随机梯度下降（SGD），批量大小为128，动量为0.7，权重衰减为$10^{-4}$进行优化。
• 滤波器权重采用高斯分布初始化（$\mu=0$，$\sigma=\sqrt{2/M}$），偏置初始化为零。
• 训练使用7名患者的2,121个SECT切片，测试使用1名患者的334个切片，并通过旋转进行数据增强以提升样本多样性。

实验结果

研究问题

• RQ1 基于深度学习的框架能否以高保真度从低能量SECT扫描有效模拟高能量CT图像？
• RQ2 与单个卷积神经网络相比，CD-ConvNet的级联架构在pDECT重建中如何提升图像质量？
• RQ3 生成的pDECT图像在多大程度上能够实现精确的物质分解，如水和骨的等效分数图？
• RQ4 pDECT生成的物质图定量指标与真实DECT扫描相比如何？

主要发现

• 视觉检查确认，CD-ConvNet生成的伪高能量CT图像与参考高能量CT图像极为相似，感知差异极小。
• 感兴趣区域的放大分析显示，预测图像与参考高能量图像在结构和强度上具有极强的相似性。
• 沿选定线条的剖面线比较显示，CD-ConvNet输出与参考图像的强度趋势几乎完全一致。
• pDECT图像的平均水等效分数为0.45 ± 1.02×10⁻⁸，与DECT参考值0.46 ± 6.72×10⁻⁸非常接近。
• pDECT的平均骨等效分数为0.061 ± 6.74×10⁻⁹，略高于DECT参考值0.053 ± 3.86×10⁻⁸，表明存在轻微偏差但整体一致性良好。
• 该方法成功实现了基于pDECT图像的精确物质分解，验证了其在需要双能量对比的临床应用中的潜力。