[論文レビュー] Synthetic contrast enhancement in cardiac CT with Deep Learning

Gianmarco Santini, Lorena M. Zumbo+7 more|arXiv (Cornell University)|Jul 2, 2018

Advanced X-ray and CT Imaging参考文献 5被引用数 18

ひとこと要約

本論文では、非対照的心臓CTスキャンから、畳み込みニューラルネットワークを用いたデコンボリューション型完全畳み込みネットワークを用いて、対照的強化心臓CT（CECT）画像を合成する深層学習手法を提案する。モデルは、吸収ダイナミクスと左心腔の形態に高い忠実性を保った合成CECT画像を生成し、Diceスコア0.88±0.03および体積誤差9.1±6.2%を達成した。これは人間の観察者間のばらつきを上回り、非対照的CTが隠れた血行動態的および体積的心臓情報の抽出を可能にする。

ABSTRACT

In Europe the 20% of the CT scans cover the thoracic region. The acquired images contain information about the cardiovascular system that often remains latent due to the lack of contrast in the cardiac area. On the other hand, the contrast enhanced computed tomography (CECT) represents an imaging technique that allows to easily assess the cardiac chambers volumes and the contrast dynamics. With this work we aim to face the problem of extraction and presentation of these latent information, using a deep learning approach with convolutional neural networks. Starting from the extraction of relevant features from the image without contrast medium, we try to re-map them on features typical of CECT, to synthesize an image characterized by an attenuation in the cardiac chambers as if a virtually iodine contrast medium was injected. The purposes are to guarantee an estimation of the left cardiac chambers volume and to perform an evaluation of the contrast dynamics. Our approach is based on a deconvolutional network trained on a set of 120 patients who underwent both CT acquisitions in the same contrastographic arterial phase and the same cardiac phase. To ensure a reliable predicted CECT image, in terms of values and morphology, a custom loss function is defined by combining an error function to find a pixel-wise correspondence, which takes into account the similarity in term of Hounsfield units between the input and output images and by a cross-entropy computed on the binarized versions of the synthesized and of the real CECT image. The proposed method is finally tested on 20 subjects.

研究の動機と目的

• 対照的強化が行われていないために検出されない、非対照的心臓CTスキャンに隠れた心血管情報の抽出を目的とする。
• ヨウ化カリウム対照剤投与を想定した対照的CT画像を合成できる深層学習モデルの開発を目的とする。
• 非対照的CTスキャンのみを用いて、左房および左室の正確な体積評価を可能にする。
• 人間の視覚的記憶依存による心腔セグメンテーションの観察者間ばらつきを、再現性があり深層学習に基づく画像合成システムに置き換える。
• 追加の被ばく線量や対照剤投与なしに、心腔体積および対照ダイナミクスを推定する臨床的実用可能な手法を提供すること。

提案手法

• 非対照的CT画像から合成CECT画像へのマッピングを目的とした完全畳み込みデコンボリューションネットワークを、空間的および対照不変特徴抽出を活用して訓練する。
• 独自の損失関数は、Hounsfield単位（HU）類似性に基づくピクセル単位のL2損失と、二値化された左心腔マスクにおける交差エントロピー損失を組み合わせ、吸収値と解剖学的形態の両方を保持する。
• 同じ心動脈位（75% R-R）で撮影され、3.0 mmのスライス厚さで再構成された、非対照的および対照的CTスキャンのペアを用いて120例の患者でネットワークを訓練する。
• データ前処理には、呼気運動補正のための剛体登録（相互情報量を用いて）、共通の3.0 mm軸方向解像度への再スライシング、および左房および左室を含むスライスに限定する処理を実施。
• トレーニングには、最大25°までのランダム回転を用いたデータ拡張を実施し、Adam（初期学習率10⁻⁴、バッチサイズ32）を用いて1台のNVIDIA TITAN X GPUで800エポックにわたり最適化する。
• 20例のテスト被験者を用いてモデルを評価し、Dice係数、体積パcent誤差（dV%）、正規化相互情報量（NMI）、およびピークサイナリオ比（PSNR）を用いて性能を評価した。

実験結果

リサーチクエスチョン

• RQ1 深層学習モデルは、解剖学的および吸収ダイナミクスの両面で高い忠実性を保った、臨床的に有用なCECTに類似した画像を、非対照的心臓CTスキャンから合成できるか？
• RQ2 合成CECT画像は、人間の読影者と比較して、左心腔体積推定の正確性と再現性をどの程度向上できるか？
• RQ3 深層学習モデルは、実際のCECTスキャンで観察される心腔間の対照ダイナミクスを保持しているか？
• RQ4 患者特異的な解剖学的事前知識に依存せずに、多様な心臓形状およびスライス位置に一般化できるか？
• RQ5 合成画像生成プロセスは、心腔セグメンテーションにおける観察者間ばらつきを低減するのに十分に頑健か？

主な発見

• 合成CECT画像は、実際のCECTと比較して、正規化相互情報量（NMI）0.93±0.03およびピークサイナリオ比（PSNR）48.30±2.03を達成し、画像コンテンツおよび吸収ダイナミクスの類似性が非常に高いことを示した。
• 合成画像上での左房および左室の自動セグメンテーションは、Dice係数0.88±0.03を達成し、手動ベースラインと強い一致を示した。
• 合成画像とベースライン間の体積パーセント誤差（dV%）は9.1±6.2%であり、体積推定の高精度を示した。
• モデルは人間の読影者を上回る再現性を示し、被験者内相関（ρ）が0.99、被験者間相関（ρ）が0.85であり、人間の読影者と比較してばらつきが低減した。
• 深層学習モデルのDiceスコア（0.89±0.03）は、人間読影者のスコア（0.85±0.05）を上回り、セグメンテーションの正確性が優れていることを示した。
• 本手法により、非対照的CTスキャンから左心腔体積および対照ダイナミクスを信頼性高く抽出可能となり、心疾患および弁膜症の早期発見に役立つ潜在的な臨床的ツールを提供する。