[论文解读] Dual-energy CT imaging using a single-energy CT data is feasible via deep learning

Wei Zhao, Tianling Lv+7 more|arXiv (Cornell University)|Jun 12, 2019

Advanced X-ray and CT Imaging参考文献 23被引用 12

一句话总结

本文提出一种深度学习方法，利用两阶段卷积神经网络（CNN）从单能量CT（SECT）数据生成双能量CT（DECT）图像。通过首先对低能量图像去噪，然后使用基于U-Net的DECT-CNN模型，以均方误差损失预测高能量图像的差异，该模型实现了高精度，HU差异低于3.5 HU，碘定量一致性与原始DECT扫描相比仅相差0.9%。

ABSTRACT

In a standard computed tomography (CT) image, pixels having the same Hounsfield Units (HU) can correspond to different materials and it is, therefore, challenging to differentiate and quantify materials. Dual-energy CT (DECT) is desirable to differentiate multiple materials, but DECT scanners are not widely available as single-energy CT (SECT) scanners. Here we develop a deep learning approach to perform DECT imaging by using standard SECT data. A deep learning model to map low-energy image to high-energy image using a two-stage convolutional neural network (CNN) is developed. The model was evaluated using patients who received contrast-enhanced abdomen DECT scan with a popular DE application: virtual non-contrast (VNC) imaging and contrast quantification. The HU differences between the predicted and original high-energy CT images are 3.47, 2.95, 2.38 and 2.40 HU for ROIs on the spine, aorta, liver, and stomach, respectively. The HU differences between VNC images obtained from original DECT and deep learning DECT are 4.10, 3.75, 2.33 and 2.92 HU for the 4 ROIs, respectively. The aorta iodine quantification difference between iodine maps obtained from original DECT and deep learning DECT images is 0.9\%, suggesting high consistency between the predicted and the original high-energy CT images. This study demonstrates that highly accurate DECT imaging with single low-energy data is achievable by using a deep learning approach. The proposed method can significantly simplify the DECT system design, reducing the scanning dose and imaging cost.

研究动机与目标

• 为克服由于硬件复杂性和成本较高，双能量CT（DECT）扫描仪在临床上不如单能量CT（SECT）扫描仪普及的临床限制。
• 仅使用标准SECT数据实现类似DECT的成像，从而降低辐射剂量和系统复杂性。
• 开发一种深度学习模型，能够从低能量CT输入准确预测高能量CT图像，用于物质分解应用。
• 评估该方法在关键DECT应用中的性能：虚拟非增强（VNC）成像和碘定量。
• 证明输入图像与预测图像之间的噪声相关性可降低物质特异性图像中的噪声，从而提升图像质量。

提出的方法

• 采用两阶段深度学习流程：首先，使用基于ResNet的专用CNN对低能量和高能量SECT图像进行去噪，生成去噪后的版本 $I_{LD}$ 和 $I_{HD}$。
• 其次，训练一个名为DECT-CNN的CNN，从去噪后的低能量图像 $I_{LD}$ 预测差异图像 $I_{\text{diff}} = I_{HD} - I_{LD}$，使用均方误差（MSE）损失。
• 预测的高能量图像计算为 $I_{\text{pred}} = I_L + I_{\text{diff}}$，其中 $I_L$ 为原始低能量图像。
• DECT-CNN采用U-Net架构，以利用其较大的感受野并保留高分辨率空间细节。
• 模型在16例患者体数据的4,949张图像切片上进行训练，其中6例用于验证和测试。
• 使用统计最优的图像域算法进行物质分解，从原始和预测的DECT图像中生成虚拟非增强（VNC）图像和碘图。

实验结果

研究问题

• RQ1 深度学习模型能否从单次低能量CT扫描准确预测高能量CT图像，实现类似DECT的图像质量？
• RQ2 与原始DECT相比，该方法在脊柱、主动脉、肝脏和胃等解剖结构的HU准确性方面表现如何？
• RQ3 该基于深度学习的DECT方法在虚拟非增强（VNC）成像和碘定量方面的准确性保持程度如何？
• RQ4 输入低能量图像与预测高能量图像之间的噪声相关性是否可降低派生物质特异性图像中的噪声？
• RQ5 与标准DECT相比，该方法在碘定量上是否保持高度一致性？

主要发现

• 预测的高能量CT图像与原始高能量CT图像之间的HU差异在脊柱为3.47 HU，主动脉为2.95 HU，肝脏为2.38 HU，胃为2.40 HU。
• 原始DECT与基于深度学习的DECT在虚拟非增强（VNC）图像中的HU差异为：脊柱4.10 HU，主动脉3.75 HU，肝脏2.33 HU，胃2.92 HU。
• 原始DECT与基于深度学习的DECT在主动脉碘定量差异仅为0.9%，表明对比剂测量具有高度一致性。
• 基于深度学习的DECT方法生成的VNC图像和碘图相比原始DECT显著降低了噪声水平，这是由于预测过程中存在噪声相关性。
• 当模型在去噪图像上进行训练时表现出更优性能，证实去噪对于准确预测图像差异至关重要。
• 该方法实现了高质量的物质分解，且精度损失极小，表明其在灌注成像、血管造影和尿路结石特征分析等临床应用中具有可行性。