[论文解读] Can Deep Learning Outperform Modern Commercial CT Image Reconstruction Methods?

Hongming Shan, Atul Padole+6 more|arXiv (Cornell University)|Nov 8, 2018

Medical Imaging Techniques and Applications参考文献 1被引用 71

一句话总结

本文提出一种用于低剂量CT的渐进深度学习去噪网络（MAP-NN），在厂商和地区的商业迭代重建方法上具有竞争力，提供更快的性能与放射科医生参与的优化。

ABSTRACT

Commercial iterative reconstruction techniques on modern CT scanners target radiation dose reduction but there are lingering concerns over their impact on image appearance and low contrast detectability. Recently, machine learning, especially deep learning, has been actively investigated for CT. Here we design a novel neural network architecture for low-dose CT (LDCT) and compare it with commercial iterative reconstruction methods used for standard of care CT. While popular neural networks are trained for end-to-end mapping, driven by big data, our novel neural network is intended for end-to-process mapping so that intermediate image targets are obtained with the associated search gradients along which the final image targets are gradually reached. This learned dynamic process allows to include radiologists in the training loop to optimize the LDCT denoising workflow in a task-specific fashion with the denoising depth as a key parameter. Our progressive denoising network was trained with the Mayo LDCT Challenge Dataset, and tested on images of the chest and abdominal regions scanned on the CT scanners made by three leading CT vendors. The best deep learning based reconstructions are systematically compared to the best iterative reconstructions in a double-blinded reader study. It is found that our deep learning approach performs either comparably or favorably in terms of noise suppression and structural fidelity, and runs orders of magnitude faster than the commercial iterative CT reconstruction algorithms.

研究动机与目标

• 动机：在降低辐射剂量的同时，推动使用深度学习以提升低剂量CT图像质量。
• 引入一个渐进去噪网络，在训练环节整合放射科医生参与。
• 将 MAP-NN 方法与三个厂商的商业迭代重建方法在胸部和腹部进行比较。

提出的方法

• 提出 MAP-NN，这是一种由 CLONE 模块构建的面向低剂量CT去噪的模块化渐进去噪网络。
• 用结合对抗损失、均方误差和边缘不一致性的损失函数来训练 MAP-NN。
• 在 CLONE 模块之间共享参数并评估映射深度（去噪步骤数量）。
• 使用盲法放射科医生阅片研究，将深度学习重建与厂商 IR 方法进行比较。
• 使用低剂量 CT 输入并与标准剂量 CT 参考进行比较，以评估结构保真度和噪声抑制。

实验结果

研究问题

• RQ1 MAP-NN 的渐进去噪方法是否能够在低剂量CT上达到与商业 IR 方法相当或更好的结构保真度？
• RQ2 MAP-NN 是否在保持结构保真度的同时，在多个 CT 厂商和身体区域提供更好的噪声抑制？
• RQ3 训练完成后，深度学习方法在计算效率上是否比 IR 方法更高？
• RQ4 在循环中引入放射科医生是否能改善特定任务的图像质量优化？

主要发现

• MAP-NN 在厂商 A、B 和 C 的比较中实现了与商业 IR 方法相当或更好的结构保真度和噪声抑制。
• DL 重建在腹部和胸部成像中在大多数情况下被放射科医生评为优于或可与 IR 重建相当。
• MAP-NN 相较 IR 方法在训练后展示出显著更快的运行时间性能（每个映射深度大约 100 张切片/秒）。
• 在厂商 A 和 B 的腹部成像中，最佳 DL 重建优于最佳 IR 重建；厂商 C 情况下两者相当；就胸部而言，DL 在大多数情况下可比或更好。
• DL 方法提供了厂商无关的图像外观，可能有助于大规模放射组学研究。