[论文解读] Using a Generative Adversarial Network for CT Normalization and its Impact on Radiomic Features

Leihao Wei, Yannan Lin+1 more|arXiv (Cornell University)|Jan 22, 2020

Radiomics and Machine Learning in Medical Imaging参考文献 16被引用 4

一句话总结

本研究提出一种3D生成对抗网络（GAN），可同时将低剂量和厚层厚CT扫描归一化为标准剂量、薄层参考图像，从而提升感知图像质量，并显著降低放射组学特征的变异性。与CNN基线相比，该GAN在感知相似性方面提升了35%，并在九项放射组学特征中全部降低了特征误差（p < 0.05），证明其在标准化放射组学和CADx系统中异质性CT扫描协议方面的潜力。

ABSTRACT

Computer-Aided-Diagnosis (CADx) systems assist radiologists with identifying and classifying potentially malignant pulmonary nodules on chest CT scans using morphology and texture-based (radiomic) features. However, radiomic features are sensitive to differences in acquisitions due to variations in dose levels and slice thickness. This study investigates the feasibility of generating a normalized scan from heterogeneous CT scans as input. We obtained projection data from 40 low-dose chest CT scans, simulating acquisitions at 10%, 25% and 50% dose and reconstructing the scans at 1.0mm and 2.0mm slice thickness. A 3D generative adversarial network (GAN) was used to simultaneously normalize reduced dose, thick slice (2.0mm) images to normal dose (100%), thinner slice (1.0mm) images. We evaluated the normalized image quality using peak signal-to-noise ratio (PSNR), structural similarity index (SSIM) and Learned Perceptual Image Patch Similarity (LPIPS). Our GAN improved perceptual similarity by 35%, compared to a baseline CNN method. Our analysis also shows that the GAN-based approach led to a significantly smaller error (p-value &lt; 0.05) in nine studied radiomic features. These results indicated that GANs could be used to normalize heterogeneous CT images and reduce the variability in radiomic feature values.

研究动机与目标

• 为解决因CT扫描协议差异（如剂量水平和层厚）导致的放射组学特征变异性问题。
• 开发一种统一的深度学习方法，同时归一化剂量和层厚，而非分别处理。
• 利用带有谱归一化的3D GAN提升归一化CT图像的感知图像质量，以增强训练稳定性。
• 评估基于GAN的归一化是否相比原始异质扫描和基于CNN的基线，能降低放射组学特征的误差。
• 评估归一化对多样化扫描参数下放射组学特征一致性的影响力，以支持稳健的CADx系统。

提出的方法

• 训练了一个带有谱归一化的3D条件GAN，将低剂量（10%、25%、50%）和厚层（2.0mm）CT扫描映射为标准剂量（100%）和薄层（1.0mm）参考扫描。
• 生成器网络学习从退化输入重建高质量、感知真实的CT体积，而判别器则区分真实参考扫描与生成图像。
• 使用对抗损失与感知损失相结合的方式进行训练，图像质量通过PSNR、SSIM和LPIPS进行评估。
• 以相同的输入-输出对训练了一个基线CNN，采用均方误差（MSE）损失进行比较。
• 从测试扫描中的结节提取放射组学特征，并在原始图像、CNN生成图像和GAN生成图像之间进行比较，以量化相对于参考图像的误差。
• 使用配对的Wilcoxon符号秩检验（p < 0.05）评估特征误差差异的统计显著性。

实验结果

研究问题

• RQ1 3D GAN能否在一个统一框架中有效归一化低剂量和厚层CT扫描至标准参考协议？
• RQ2 基于GAN的归一化是否在LPIPS、PSNR和SSIM指标下，相比CNN基线显著提升感知图像质量？
• RQ3 与原始异质扫描和基于CNN的输出相比，基于GAN的归一化在多大程度上降低了放射组学特征的误差？
• RQ4 在多个特征和归一化场景下，放射组学特征误差的降低是否具有统计显著性？
• RQ5 基于GAN的归一化如何影响CADx系统中关键的纹理和形态学特征的一致性？

主要发现

• 与CNN基线相比，GAN在LPIPS指标下将感知相似性提升了35%，其中在最极端的归一化场景（10%剂量，2.0mm层厚）中提升最大。
• 尽管PSNR和SSIM值较低，GAN生成的图像表现出更优的感知质量，边缘更清晰，纹理更丰富，尤其在结节边缘区域表现突出。
• 与原始异质扫描相比，基于GAN的方法在九项放射组学特征中的平均误差显著降低（p < 0.05），其中最大的p值为0.035。
• 在九项放射组学特征中的八项中，GAN相比CNN基线也降低了特征误差，结果中标记了星号以表示统计显著性。
• 归一化后的图像在放射组学特征上表现出更低的变异性，表明在不同扫描协议下特征一致性得到提升，这对可靠CADx性能至关重要。
• 本研究证明，通过3D GAN联合归一化剂量和层厚，相比仅使用传统去噪或超分辨率方法，能实现更可靠、更一致的放射组学特征提取。