[论文解读] Using Uncertainty in Deep Learning Reconstruction for Cone-Beam CT of the Brain

Pengwei Wu, Alejandro Sisniega+8 more|arXiv (Cornell University)|Aug 20, 2021

Medical Imaging Techniques and Applications参考文献 8被引用 13

一句话总结

该论文提出DL-Recon，一种基于深度学习的锥束CT重建方法，通过蒙特卡洛 dropout 在物理信息框架中集成不确定性估计，以提升图像质量和病灶准确性。通过融合不确定性感知的图像合成与基于模型的重建，该方法将噪声降低约50%，均匀性提升40–70%，同时在保持空间分辨率的前提下，进一步提升了病灶对比度和分割准确性。

ABSTRACT

Contrast resolution beyond the limits of conventional cone-beam CT (CBCT) systems is essential to high-quality imaging of the brain. We present a deep learning reconstruction method (dubbed DL-Recon) that integrates physically principled reconstruction models with DL-based image synthesis based on the statistical uncertainty in the synthesis image. A synthesis network was developed to generate a synthesized CBCT image (DL-Synthesis) from an uncorrected filtered back-projection (FBP) image. To improve generalizability (including accurate representation of lesions not seen in training), voxel-wise epistemic uncertainty of DL-Synthesis was computed using a Bayesian inference technique (Monte-Carlo dropout). In regions of high uncertainty, the DL-Recon method incorporates information from a physics-based reconstruction model and artifact-corrected projection data. Two forms of the DL-Recon method are proposed: (i) image-domain fusion of DL-Synthesis and FBP (DL-FBP) weighted by DL uncertainty; and (ii) a model-based iterative image reconstruction (MBIR) optimization using DL-Synthesis to compute a spatially varying regularization term based on DL uncertainty (DL-MBIR). The error in DL-Synthesis images was correlated with the uncertainty in the synthesis estimate. Compared to FBP and PWLS, the DL-Recon methods (both DL-FBP and DL-MBIR) showed ~50% reduction in noise (at matched spatial resolution) and ~40-70% improvement in image uniformity. Conventional DL-Synthesis alone exhibited ~10-60% under-estimation of lesion contrast and ~5-40% reduction in lesion segmentation accuracy (Dice coefficient) in simulated and real brain lesions, suggesting a lack of reliability / generalizability for structures unseen in the training data. DL-FBP and DL-MBIR improved the accuracy of reconstruction by directly incorporating information from the measurements in regions of high uncertainty.

研究动机与目标

• 解决传统锥束CT（CBCT）在脑部成像中对比度分辨率有限的问题。
• 提升深度学习重建在训练数据中未包含的病灶结构上的泛化能力。
• 在保持空间分辨率的同时，降低CBCT图像中的噪声并改善图像均匀性。
• 提升临床相关结构中病灶的对比度和分割准确性。
• 开发一种利用不确定性指导数据驱动与基于物理的重建融合的方法。

提出的方法

• 一个深度学习图像合成网络从未经校正的FBP重建图像中生成优化后的CBCT图像（DL-Synthesis）。
• 在推理过程中，利用蒙特卡洛 dropout 估计DL-Synthesis中体素级别的认知不确定性。
• 在不确定性较高的区域，该方法结合使用经过伪影校正的投影数据进行基于物理的重建。
• 提出两种变体：DL-FBP通过不确定性加权融合将DL-Synthesis与FBP结合；DL-MBIR则利用不确定性定义迭代重建中的空间可变正则化项。
• 利用不确定性估计优先采用测量数据信息以提升低置信度区域的可靠性。
• 该框架将数据驱动的图像合成与严谨的物理建模相结合，从而增强鲁棒性与准确性。

实验结果

研究问题

• RQ1 深度学习中的不确定性估计能否提升CBCT重建中未见解剖结构的泛化能力？
• RQ2 基于不确定性引导的DL合成与基于物理的重建融合，对噪声和均匀性等图像质量指标有何影响？
• RQ3 与标准DL合成相比，不确定性感知重建在多大程度上提升了病灶对比度和分割准确性？
• RQ4 通过蒙特卡洛 dropout 进行的不确定性估计能否有效识别CBCT中需要基于测量数据校正的区域？
• RQ5 将不确定性整合到基于模型的重建中，如何提升低对比度脑部结构的重建保真度？

主要发现

• 与FBP和PWLS相比，DL-Recon在保持相同空间分辨率下，将图像噪声降低了约50%。
• 在不同扫描条件下，使用DL-Recon方法使图像均匀性提升了40–70%。
• 在模拟和真实脑部病灶中，仅使用标准DL-Synthesis会将病灶对比度低估10–60%，并导致病灶分割准确率（Dice系数）下降5–40%。
• DL-FBP和DL-MBIR通过在高不确定性区域引入测量数据，显著提升了病灶对比度和分割准确性。
• DL-Synthesis图像中的误差与估计的不确定性高度相关，验证了不确定性量化结果的可靠性。
• 不确定性感知的融合策略在深度学习单独不可靠的区域有效优先采用物理模型信息，从而提升了整体重建保真度。