[论文解读] Dual-energy CT imaging from single-energy CT data with material decomposition convolutional neural network

Tianling Lyu, Zhan Wu+4 more|arXiv (Cornell University)|May 30, 2020

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

一句话总结

本文提出了一种深度学习方法 FLESH-DECT，该方法仅需一次完全采样的低能 CT 扫描和一次高能投影视图，即可重建出高质量的双能 CT（DECT）图像。通过利用解剖一致性与能量域相关性，结合材料分解卷积神经网络（MD-CNN），该方法在降低辐射剂量并简化硬件要求的同时，实现了与标准 DECT 相当的图像质量，从而实现了高保真度的 DECT 成像。

ABSTRACT

Dual-energy computed tomography (DECT) is of great significance for clinical practice due to its huge potential to provide material-specific information. However, DECT scanners are usually more expensive than standard single-energy CT (SECT) scanners and thus are less accessible to undeveloped regions. In this paper, we show that the energy-domain correlation and anatomical consistency between standard DECT images can be harnessed by a deep learning model to provide high-performance DECT imaging from fully-sampled low-energy data together with single-view high-energy data, which can be obtained by using a scout-view high-energy image. We demonstrate the feasibility of the approach with contrast-enhanced DECT scans from 5,753 slices of images of twenty-two patients and show its superior performance on DECT applications. The deep learning-based approach could be useful to further significantly reduce the radiation dose of current premium DECT scanners and has the potential to simplify the hardware of DECT imaging systems and to enable DECT imaging using standard SECT scanners.

研究动机与目标

• 在不进行硬件改造的前提下，利用标准单能 CT（SECT）扫描仪实现高性能双能 CT（DECT）成像。
• 通过将高能投影数据最小化为单个视图，显著降低 DECT 中的辐射剂量。
• 通过深度学习，利用低能与高能 CT 图像之间的解剖一致性与能量域相关性。
• 在无需专用 DECT 扫描仪的情况下，生成特定材料图像，如虚拟非对比图像和碘图。
• 为临床环境中缺乏高端 DECT 系统的机构简化 DECT 的实施流程。

提出的方法

• 在材料分解前，对低能 CT 图像应用去噪卷积神经网络（CNN），以降低噪声。
• 训练材料分解 CNN（MD-CNN），以从低能图像中估计基物质分解图，从而实现任意能量水平下高能图像的重建。
• 通过约束预测的高能图像与实测单视图高能投影一致，实现反投影，确保物理一致性。
• 采用投影域 CNN，强制使预测的高能图像与实测的单个高能投影保持一致。
• 在 22 名患者的 5,753 个切片上，采用 100 kV/Sn 140 kV 扫描协议进行端到端训练。
• 通过将网络和投影算子适配为体素数据，该框架可扩展至 3D 几何结构。

实验结果

研究问题

• RQ1 能否仅使用一次完全采样的低能 CT 和一次高能投影视图，重建出高质量的 DECT 图像？
• RQ2 深度学习能否有效利用能量域相关性与解剖一致性，以替代传统 DECT 硬件？
• RQ3 在保持诊断图像质量的前提下，辐射剂量可被降低到何种程度？
• RQ4 所提出的方法能否在无需专用 DECT 扫描仪的情况下，生成准确的特定材料图像（如虚拟非对比图像和碘图）？
• RQ5 当应用于不同扫描协议或成像协议时，该方法的鲁棒性如何？

主要发现

• FLESH-DECT 方法仅使用一个高能投影视图，即可实现高保真度的 DECT 图像重建，与标准 DECT 相比，显著降低了辐射剂量。
• 该方法生成的虚拟非对比图像和碘定量图像在临床增强扫描中经验证，其诊断质量与标准 DECT 相当。
• MD-CNN 从 100 kV 图像中生成了准确的材料分解图，无需重新训练即可合成不同能量水平（如 120 kV、150 kV）的高能图像。
• 即使在投影数据稀疏的情况下，该方法在噪声抑制和伪影减少方面也优于传统重建方法。
• 该方法与现有 SECT 扫描仪兼容，因为单个高能投影可通过扫视扫描获取，无需硬件改造。
• 该模型对协议不匹配较为敏感；然而，通过在不同协议上重新训练，可解决此局限性。