[論文レビュー] Synthetic CT Generation from MRI Using Improved DualGAN

Denis Prokopenko, Joël Valentin Stadelmann+3 more|arXiv (Cornell University)|Sep 19, 2019

Advanced Image Processing Techniques参考文献 11被引用数 10

ひとこと要約

本稿では、感知損失（VGG-16を用いて）と座標畳み込み層を統合することで、構造的整合性と画像品質を向上させる、非対応なMRIからCTへの変換を改善したDualGANフレームワークを提案する。この手法は、合成CTにおいて平均絶対誤差（MAE）61 HU、SSIM 0.8を達成し、ベースラインのGANよりも現実的で解剖学的に正確な結果を示した。

ABSTRACT

Synthetic CT image generation from MRI scan is necessary to create radiotherapy plans without the need of co-registered MRI and CT scans. The chosen baseline adversarial model with cycle consistency permits unpaired image-to-image translation. Perceptual loss function term and coordinate convolutional layer were added to improve the quality of translated images. The proposed architecture was tested on paired MRI-CT dataset, where the synthetic CTs were compared to corresponding original CT images. The MAE between the synthetic CT images and the real CT scans is 61 HU computed inside of the true CTs body shape.

研究の動機と目的

• 共登録スキャンを必要としない、放射線治療計画に適した堅牢な非対応MRI→CT画像変換手法の開発。
• 別々に取得されたMRIとCTによる誤登録アーチファクトを解消し、MRIからのみ合成CTを生成することによる解決。
• 高度なディープラーニング部品を用いて、合成CTの画像品質と構造的一致性を向上させること。
• 感知損失と座標畳み込み層が、医療画像合成における変換忠実度に与える影響を評価すること。

提案手法

• 非対応データを用いてサイクル整合性を保証するため、2つの生成器（MRI→CT および CT→MRI）と2つの識別器を備えた、改良されたDualGANアーキテクチャを採用。
• 事前学習済みVGG-16を用いた感知損失関数を導入し、実際のCT画像と生成されたCT画像の高レベル特徴を一致させる。
• 空間的位置（x, y）を特徴マップに組み込むことで、解剖的構造の局在化を向上させる座標畳み込み層を統合。
• 敵対的損失、サイクル整合性、感知損失を用いて、非対応なMRIおよびCTボリュームをエンドツーエンドで学習。
• 3つのデータセット（CPTAC、頭頸部がん、プライベート）を用い、7:3のトレイン・テスト分割を実施。3次元の軸断層画像を正規化・前処理。
• テストセットにおいてMAE、PSNR、SSIMを用いて性能を評価。4つの構成（DualGAN、DualGAN+CC、DualGAN+VGG、DualGAN+VGG+CC）を比較。

実験結果

リサーチクエスチョン

• RQ1 事前学習済みVGG-16ネットワークからの感知損失は、MRIから生成された合成CTの知覚的品質を向上させることができるか？
• RQ2 座標畳み込み層の統合は、MRI→CT変換における空間的正確性と構造的詳細を向上させるか？
• RQ3 感知損失と座標畳み込み層の組み合わせは、ベースラインのDualGANと比較して、定量的および定性的な性能で優れているか？
• RQ4 鼻や歯のような複雑な領域における骨や空気の解剖的構造が、どの程度正確に保持されているか？
• RQ5 本手法は、対応するMRI-CTスキャンを必要とせず、臨床的に許容できる画像品質を達成できるか？

主な発見

• 感知損失と座標畳み込み層を両方統合したDualGAN（DualGAN, VGG, CC）が、最も低いMAE 60.83 ± 2.20 HUを達成し、ベースラインのDualGAN（62.95 ± 1.17 HU）を上回った。
• 感知損失と座標畳み込みの組み合わせにより、SSIMは0.80 ± 0.03に向上したのに対し、ベースラインでは0.79 ± 0.02であった。構造的一致性が向上したことを示している。
• フル構成ではPSNRが17.21 ± 1.00 dBを達成し、合成CTの信号品質が向上したことを示した。
• 視覚的検査では、感知損失と座標畳み込みが画像の現実性を向上させ、特に軟部組織および骨格構造におけるぼやけを低減した。
• 最大の誤差は鼻や歯のような複雑な解剖的領域に発生し、微細構造の変換に限界があることが示された。
• 本手法は、臨床的に有用な画像品質の合成CTを成功裏に生成し、真の体表面領域内ではMAE 61 HUを達成し、最先端の手法と同等の性能を示した。