[论文解读] Cross-Vendor CT Image Data Harmonization Using CVH-CT

Md. Selim, Jie Zhang+4 more|PubMed|Oct 19, 2021

Radiomics and Machine Learning in Medical Imaging参考文献 30被引用 5

一句话总结

该论文提出CVH-CT，一种用于跨厂商CT图像一致化的新型深度学习框架，利用无配对训练数据以减少放射组学特征中的扫描仪相关变异。通过整合通道与空间注意力机制（CBAM）以及基于VGG的域损失以捕捉扫描仪特异性纹理分布，CVH-CT在保留解剖细节和提升跨厂商特征可重复性方面显著优于现有方法。

ABSTRACT

While remarkable advances have been made in Computed Tomography (CT), most of the existing efforts focus on imaging enhancement while reducing radiation dose. How to harmonize CT image data captured using different scanners is vital in cross-center large-scale radiomics studies but remains the boundary to explore. Furthermore, the lack of paired training image problem makes it computationally challenging to adopt existing deep learning models. We propose a novel deep learning approach called CVH-CT for harmonizing CT images captured using scanners from different vendors. The generator of CVH-CT uses a self-attention mechanism to learn the scanner-related information. We also propose a VGG feature based domain loss to effectively extract texture properties from unpaired image data to learn the scanner based texture distributions. The experimental results show that CVH-CT is clearly better than the baselines because of the use of the proposed domain loss, and CVH-CT can effectively reduce the scanner-related variability in terms of radiomic features.

研究动机与目标

• 解决多中心研究中不同CT扫描仪厂商导致的放射组学特征差异问题。
• 实现在临床环境中通常不可用的配对训练数据下，无需配对数据的CT图像一致化。
• 开发一种深度学习模型，有效学习并迁移跨厂商的扫描仪特异性纹理分布。
• 通过合成匹配目标扫描仪分布的图像，提升不同CT扫描仪间放射组学特征的可重复性。
• 在跨厂商与跨协议CT图像一致化任务中验证该方法的有效性。

提出的方法

• CVH-CT采用类似CycleGAN的框架，包含两个生成器（A2B与B2A），用于在两个CT扫描仪领域之间（如GE到Siemens，Siemens到GE）进行图像转换。
• 生成器网络集成CBAM（卷积块注意力模块），以增强全局特征学习，尤其针对扫描仪特异性纹理模式。
• 提出一种新型基于VGG的域损失，用于计算合成图像与目标图像之间的特征级差异，实现在无配对数据下的有效分布匹配。
• 模型结合对抗性损失、循环一致性损失以及所提出的域损失，实现生成器与判别器的端到端联合训练。
• 域损失通过VGG-16提取深层特征空间中的特征差距，引导网络学习目标域的纹理特征。
• 该框架在来自不同厂商或重建协议的无配对CT图像上进行训练，实现零样本一致化。

实验结果

研究问题

• RQ1 深度学习模型是否能有效实现无配对训练数据下跨不同厂商CT图像的一致化？
• RQ2 如CBAM这样的自注意力机制在CT图像中能否有效捕捉扫描仪特异性纹理分布？
• RQ3 基于VGG的域损失在无配对图像翻译中对CT一致化任务的特征一致性改善程度如何？
• RQ4 所提出的方法在降低扫描仪相关放射组学变异的同时，是否能有效保留解剖结构？
• RQ5 该模型是否能泛化至跨协议一致化任务（如同一扫描仪上不同重建核函数）？

主要发现

• 在GE到Siemens与Siemens到GE的转换中，CVH-CT在六类放射组学特征中的五类取得了最高的组内一致性相关系数（CCC）得分，显著优于CycleGAN及其他基线模型。
• 所有模型的一阶特征CCC得分均接近1.0，表明解剖细节得到良好保留。
• 对于基于纹理的特征，CVH-CT相比CycleGAN有显著提升，多数类别CCC得分超过0.85。
• PSNR、SSIM与NCC指标证实，CVH-CT生成的图像在视觉质量与结构相似性方面优于目标图像。
• 在跨协议一致化任务中（如Bl64到Br40核函数），CVH-CT的CCC得分达到0.87 ± 0.12与0.86 ± 0.10，表明其在厂商差异之外也具备强鲁棒性。
• 残差图的视觉分析显示，CVH-CT与目标图像的差异最小，多数值接近0（蓝色），表明其图像合成具有高保真度。