[論文レビュー] Unsupervised/Semi-supervised Deep Learning for Low-dose CT Enhancement

Mingrui Geng, Yun Deng+6 more|arXiv (Cornell University)|Aug 8, 2018

Medical Imaging Techniques and Applications参考文献 27被引用数 12

ひとこと要約

本稿では、ペアの高線量画像を必要とせず、ラベルなし低線量CT（LdCT）プロンビアムに直接学習する非教師ありおよび半教師あり深層学習フレームワークを提案する。ラベルなしデータに内在する構造的プリオンとノイズ統計を活用する最大事後確率（MAP）モデルを定式化することで、ネットワーク最適化をガイドする意味のある勾配を学習し、教師あり手法と同等の性能を達成するとともに、最小限または全くラベルなしデータでの学習が可能となる。

ABSTRACT

Recently, deep learning(DL) methods have been proposed for the low-dose computed tomography(LdCT) enhancement, and obtain good trade-off between computational efficiency and image quality. Most of them need large number of pre-collected ground-truth/high-dose sinograms with less noise, and train the network in a supervised end-to-end manner. This may bring major limitations on these methods because the number of such low-dose/high-dose training sinogram pairs would affect the network's capability and sometimes the ground-truth sinograms are hard to be obtained in large scale. Since large number of low-dose ones are relatively easy to obtain, it should be critical to make these sources play roles in network training in an unsupervised learning manner. To address this issue, we propose an unsupervised DL method for LdCT enhancement that incorporates unlabeled LdCT sinograms directly into the network training. The proposed method effectively considers the structure characteristics and noise distribution in the measured LdCT sinogram, and then learns the proper gradient of the LdCT sinogram in a pure unsupervised manner. Similar to the labeled ground-truth, the gradient information in an unlabeled LdCT sinogram can be used for sufficient network training. The experiments on the patient data show effectiveness of the proposed method.

研究の動機と目的

• プライバシー、コスト、ドメインバイアスのため、しばしば入手困難な大規模なペアの低線量／高線量プロンビアムデータセットを必要とする教師あり深層学習の限界を解消する。
• データに内在する構造的特徴とノイズ特性を活用することで、ラベルなし低線量CTプロンビアムのみを用いて深層ネットワークの有効な学習を可能にする。
• 限定的なラベル付きデータと豊富なラベルなしデータを組み合わせることで、半教師あり設定に拡張可能な汎用的な非教師あり深層学習パラダイムを構築する。
• 高価または入手困難な高線量基準データへの依存を低減しつつ、LdCT再構成における計算効率と画像品質を向上させる。

提案手法

• クリーンなCTプロンビアムからの構造的プリオンと、測定されたLdCTプロンビアムからのノイズ統計を組み込んだ最大事後確率（MAP）目的関数を定式化する。
• MAPモデルを用いて、真の値がなくても、より綺麗で正確な再構成へ向かう勾配方向を導出する。
• この非教師あり勾配学習を深層ニューラルネットワークに統合し、ラベルなしLdCTプロンビアムのみを用いたエンドツーエンドの学習を実現する。
• ラベル付き低線量／高線量ペアからの教師あり損失と、非教師ありMAPベース損失を組み合わせることで、フレームワークを半教師あり設定に拡張する。
• ラベル付きデータには教師あり損失、ラベルなしデータにはモデル駆動のMAP損失を用いたハイブリッド目的関数でネットワークを学習する。
• ネットワークをターゲット関数を最小化する最適化子として活用することで、限られた学習データでも明示的な予測ネットワークの構築が可能になる。

実験結果

リサーチクエスチョン

• RQ1 ペアの高線量基準画像を必要とせず、ラベルなし低線量CTプロンビアムでの深層学習が有効に実行可能か？
• RQ2 ラベルなしLdCTプロンビアムに内在する構造的プリオンとノイズ統計をどのようにモデル化し、非教師ありでネットワーク最適化をガイドできるか？
• RQ3 非教師あり深層学習手法が、LdCT強化において教師あり手法と同等の性能を達成できるか？
• RQ4 限定的なラベル付きデータと豊富なラベルなしデータを組み合わせることで、半教師ありフレームワークにおける再構成品質がどのように向上するか？
• RQ5 提案された非教師あり／半教師ありパラダイムは、他の画像再構成および信号回復タスクへも一般化可能か？

主な発見

• 非教師ありCNN（unsup-CNN）は、10 mAsで36.72 dB、20 mAsで38.49 dBのPSNRを達成し、ラベルなしデータを一切使用していないにもかかわらず、教師ありCNN（sup-CNN）と同等の性能を示した。
• 半教師ありCNN（semi-CNN）は、20組のラベル付きペアと50組のラベルなしLdCTプロンビアムで学習し、20 mAsで39.67 dBのPSNRを達成し、非教師ありCNNおよびFBPを上回った。
• 視覚的評価では、特に低線量条件下で、unsup-CNNがPWLSやMAP-FCよりも細部構造と解像度をよりよく保持していることが確認された。
• 単一のLdCTプロンビアムでの学習でも高い性能を維持しており、限られたデータに対して高いロバスト性を示した。
• 半教師ありフレームワークは、20 mAsでSSIM（0.9457）とFSIM（0.9751）を達成し、非教師ありCNN（SSIM: 0.9352、FSIM: 0.9378）を上回り、構造的忠実度が優れていることが示された。
• 提案手法により、限られたラベル付きデータで効率的かつ明示的な予測ネットワークが構築可能となり、臨床現場への実用的導入に適している。