[论文解读] Region of Interest focused MRI to Synthetic CT Translation using Regression and Classification Multi-task Network

Sandeep Kaushik, Mikael Bylund+13 more|arXiv (Cornell University)|Mar 30, 2022

Medical Imaging Techniques and Applications被引用 5

一句话总结

本文提出一种多任务深度学习框架，通过联合执行感兴趣区域（RoI）定位与骨组织Hounsfield单位（HU）回归，利用复合损失函数，提升了从零回波时间（ZTE）MRI生成合成CT（sCT）的性能。该方法在保持全局图像保真度的同时，以极低的计算成本显著提高了骨骼密度估算的准确性——这对放射治疗至关重要。

ABSTRACT

In this work, we present a method for synthetic CT (sCT) generation from zero-echo-time (ZTE) MRI aimed at structural and quantitative accuracies of the image, with a particular focus on the accurate bone density value prediction. We propose a loss function that favors a spatially sparse region in the image. We harness the ability of a multi-task network to produce correlated outputs as a framework to enable localisation of region of interest (RoI) via classification, emphasize regression of values within RoI and still retain the overall accuracy via global regression. The network is optimized by a composite loss function that combines a dedicated loss from each task. We demonstrate how the multi-task network with RoI focused loss offers an advantage over other configurations of the network to achieve higher accuracy of performance. This is relevant to sCT where failure to accurately estimate high Hounsfield Unit values of bone could lead to impaired accuracy in clinical applications. We compare the dose calculation maps from the proposed sCT and the real CT in a radiation therapy treatment planning setup.

研究动机与目标

• 解决从MRI生成合成CT（sCT）时骨骼HU值估算不准确这一关键挑战，该问题会损害放射治疗剂量计算的准确性。
• 提升sCT的结构与定量准确性，尤其在低体积、高HU值骨骼区域（如颅骨），这些区域在标准图像转换中常被忽视。
• 开发一种训练框架，动态强调稀疏但高影响力的区域（如皮质骨），同时不降低整体图像质量。
• 构建一种临床可行的、基于配准MRI-CT配对数据的监督sCT生成流程，重点关注鲁棒性与计算效率。

提出的方法

• 采用类似U-Net的编码器-解码器架构，并引入空洞卷积，以保留空间分辨率并避免中间层下采样。
• 设计一个多任务网络，包含两个主要分支：(1) 分类分支，用于定位感兴趣区域（RoI），特别是骨骼区域；(2) 回归分支，用于预测RoI内的HU值。
• 提出一种新颖的空间稀疏损失函数，优先确保在低体积、高HU区域（如>250 HU）的预测准确性，动态增强骨骼像素相对于软组织的权重。
• 通过组合以下三种损失函数优化网络：(a) 全局回归损失，用于整体sCT准确性；(b) RoI聚焦回归损失，用于提升骨骼HU精度；(c) 分类损失，用于RoI定位。
• 采用经验性任务权重分配方式平衡多任务优化，动态权重调整作为未来方向。
• 在共注册的ZTE-MRI与CT图像对上进行模型训练，充分利用MRI的优异软组织对比度以及ZTE序列的高对比度骨骼可视化能力。

实验结果

研究问题

• RQ1 与标准全局回归损失相比，多任务学习框架是否能提升在低体积、高HU骨骼区域的sCT生成准确性？
• RQ2 引入专用感兴趣区域（RoI）分类头是否能增强sCT中骨骼结构的定位与回归准确性？
• RQ3 一种强调高HU区域的空间稀疏损失函数，如何影响sCT在放射治疗计划中的整体性能与临床相关性？
• RQ4 与标准U-Net及基于GAN的sCT生成方法相比，所提方法在定量HU准确性与剂量计算保真度方面，其性能提升程度如何？

主要发现

• 即使在单任务配置下，所提出的RoI聚焦损失也显著提升了骨骼HU估算的准确性，优于全局回归损失。
• 增加用于RoI定位的分类头进一步提升了骨骼区域的准确性，表明定位与回归的联合学习可有效提升模型性能。
• 采用复合损失的多任务框架在骨骼区域实现了低于基线模型的HU平均绝对误差（MAE），尤其在900 HU峰值区域表现出显著改进。
• 在回顾性放射治疗计划比较中，由所提sCT生成的剂量计算图与真实CT结果高度一致，支持其临床可行性。
• 该方法在保持高图像质量与全局准确性的同时，显著提升了关键骨骼区域的性能，且计算需求适中。
• 该框架具有良好的灵活性，可适配U-Net以外的其他网络架构，有利于更广泛的临床部署。