[论文解读] A deep learning approach for virtual monochromatic spectral CT imaging with a standard single energy CT scanner

Wei Zhao, Tianling Lyu+2 more|arXiv (Cornell University)|May 20, 2020

Advanced X-ray and CT Imaging参考文献 38被引用 4

一句话总结

该论文提出了一种深度学习（DL）方法，可从标准单能CT（SECT）扫描中生成高质量的虚拟单能CT（VMCT）图像，无需依赖昂贵的双能CT（DECT）扫描仪。通过训练残差网络，从低能SECT扫描预测高能CT图像，该方法在噪声方面最多降低68%，碘对比度-噪声比（CNR）提高55%，相比传统DECT-based VMCT，且在40 keV时达到最佳CNR。

ABSTRACT

Purpose/Objectives: To develop and assess a strategy of using deep learning (DL) to generate virtual monochromatic CT (VMCT) images from a single-energy CT (SECT) scan. Materials/Methods: The proposed data-driven VMCT imaging consists of two steps: (i) using a supervised DL model trained with a large number of 100 kV and 140 kV dual-energy CT (DECT) image pairs to produce the corresponding high-energy CT image from a low-energy image; and (ii) reconstructing VMCT images with energy ranging from 40 to 150 keV. To evaluate the performance of the method, we retrospectively studied 6,767 abdominal DECT images. The VMCT images reconstructed using both DL-derived DECT (DL-DECT) images and the images from DECT scanner were compared quantitatively. Paired-sample t-tests were used for statistical analysis to show the consistency and precision of calculated HU values. Results: Excellent agreement was found between the DL-DECT and the ground truth DECT images (p values ranged from 0.50 to 0.95). Noise reduction up to 68% (from 163 HU to 51 HU) was achieved for DL-based VMCT imaging as compared to that obtained by using the standard DECT. For the DL-based VMCT, the maximum iodine contrast-to-noise ratio (CNR) for each patient (ranging from 15.1 to 16.6) was achieved at 40 keV. In addition to the enormous benefit of VMCT acquisition with merely a SECT image, an improvement of CNR as high as 55% (from 10.7 to 16.6) was attained with the proposed approach. Conclusions: This study demonstrates that high-quality VMCT images can be obtained with only a SECT scan.

研究动机与目标

• 开发一种仅使用标准单能CT（SECT）扫描仪生成虚拟单能CT（VMCT）图像的方法，从而消除对高成本双能CT（DECT）扫描仪的需求。
• 通过降低噪声并提高对比度-噪声比（CNR），改善VMCT的图像质量，特别是在碘对比度最高的低能区域。
• 通过基于深度学习的图像合成技术，使现有SECT硬件上实现VMCT的广泛应用成为可能。
• 验证DL生成的VMCT图像中Hounsfield单位（HU）值与真实DECT相比的准确性与一致性。

提出的方法

• 在配对的100 kV和140 kV双能CT（DECT）图像对上训练监督深度学习模型，以从低能100 kV SECT图像预测高能140 kV图像。
• 该模型采用双能残差映射网络，输出残差图像（预测值与输入低能图像之间的差值），将其加回输入以重建高能图像。
• 在将图像输入残差网络前，应用全卷积网络（FCN）对100 kV SECT图像进行去噪，以提高预测保真度。
• 利用DL预测的DECT图像在40–150 keV范围内重建虚拟单能图像，实现针对特定能量的成像并优化对比度。
• 该方法利用低能与高能图像之间的强噪声相关性，保留噪声纹理并降低VMCT重建中的整体噪声。
• 通过配对样本t检验进行统计验证，证实DL生成的图像与真实DECT图像在HU值上具有一致性。

实验结果

研究问题

• RQ1 深度学习能否准确地从低能SECT扫描中预测高能CT图像，从而在无需DECT扫描仪的情况下实现虚拟单能CT？
• RQ2 与传统的基于DECT的VMCT相比，基于DL的VMCT方法在噪声降低和对比度-噪声比（CNR）方面是否表现出更优的图像质量？
• RQ3 在基于DL的VMCT中，最大碘CNR出现在哪个能量水平？与传统DECT-based VMCT相比如何？
• RQ4 在不同患者解剖结构中，DL生成的VMCT图像中Hounsfield单位（HU）值与真实DECT图像相比的一致性如何？
• RQ5 DL预测的DECT图像是否可有效用于其他DECT应用，如物质分解或虚拟非增强成像？

主要发现

• DL方法与真实DECT图像表现出极好的一致性，配对样本t检验的p值范围为0.50至0.95，表明HU值高度一致。
• 与标准DECT-based VMCT相比，基于DL的VMCT噪声降低了最多68%（从163 HU降至51 HU），这是由于低能与高能图像之间保留了噪声相关性。
• 所有患者中最大碘CNR为16.6，出现在40 keV，比传统方法的最大值10.7高出55%。
• 在传统VMCT中，最大CNR对应的最优能量为80–85 keV，而在基于DL的方法中则移至40 keV，从而增强了低对比度病灶的可见性。
• DL预测的高能图像表现出非线性映射行为，即使输入HU值相似，不同解剖结构（如肾脏与骨髓）的HU值仍存在差异。
• 该方法可在标准SECT扫描仪上实现高质量的VMCT成像，具有在病灶检测、金属伪影减少及虚拟非增强成像等临床应用中广泛推广的潜力。