メモ：畳み込みニューラルネットワークCTノイズリダクションのためのファントムベースのトレーニングフレームワーク

背景: 畳み込みニューラル ネットワーク (CNN) などの深層人工ニューラル ネットワークは、解剖学的詳細を維持しながら CT 画像のノイズを低減する効果的なモデルであることが示されています。CNN ベースのノイズ除去モデルを開発する場合の実際的なボトルネックは、高ノイズ CT 画像と低ノイズ CT 画像のペアのサンプルからなるトレーニング データの入手です。これらのペアのデータを取得することは、生の投影データが利用できない臨床現場では現実的ではありません。この研究では、日常的な臨床現場で利用可能な方法を使用して CNN ノイズ除去モデルを最適化する手法の概要を説明します。 目的: あらゆる CT スキャナに効率的に実装できる、CNN ノイズ低減のためのファントムベースのトレーニング フレームワークを実証すること。 方法: ファントムベースのトレーニング フレームワークは、画像ベースのノイズ挿入技術を使用してトレーニング データが合成される教師あり学習を使用します。10 枚の患者画像シリーズをトレーニングと検証 (9:1) に使用し、擬人化ファントム スキャンから取得したノイズのみの画像を使用しました。ファントムノイズのみの画像を患者画像に重ねて、トレーニング用の低線量CT画像を模倣しました。修正された U-Net アーキテクチャが、平均二乗誤差と特徴再構成損失とともに使用されました。このトレーニング フレームワークは、臨床的に示されている全身の低線量 CT 画像と、投影データが利用できない日常的な腹部骨盤検査に対してテストされました。性能は、二乗平均平方根誤差、構造的類似性、ラインプロファイル、および視覚的評価に基づいて評価されました。 結果: 5 枚の予約された 4 分の 1 線量全身低線量 CT 画像で CNN をテストしたところ、ノイズが 75% 減少し、二乗平均平方根誤差が 34% 減少し、構造類似性が 60% 増加しました。視覚的分析とラインプロファイルにより、この方法により解剖学的特徴の空間分解能を維持しながらノイズが大幅に低減されたことが示されました。 結論: 提案されたファントムベースのトレーニング フレームワークは、空間的な詳細を維持しながら強力なノイズ低減を実証しました。この方法は画像ドメイン内に基づいているため、投影データにアクセスせずに簡単に実装できます。

BACKGROUND: Deep artificial neural networks such as convolutional neural networks (CNNs) have been shown to be effective models for reducing noise in CT images while preserving anatomic details. A practical bottleneck for developing CNN-based denoising models is the procurement of training data consisting of paired examples of high-noise and low-noise CT images. Obtaining these paired data are not practical in a clinical setting where the raw projection data is not available. This work outlines a technique to optimize CNN denoising models using methods that are available in a routine clinical setting. PURPOSE: To demonstrate a phantom-based training framework for CNN noise reduction that can be efficiently implemented on any CT scanner. METHODS: The phantom-based training framework uses supervised learning in which training data are synthesized using an image-based noise insertion technique. Ten patient image series were used for training and validation (9:1) and noise-only images obtained from anthropomorphic phantom scans. Phantom noise-only images were superimposed on patient images to imitate low-dose CT images for use in training. A modified U-Net architecture was used with mean-squared-error and feature reconstruction loss. The training framework was tested for clinically indicated whole-body-low-dose CT images, as well as routine abdomen-pelvis exams for which projection data was unavailable. Performance was assessed based on root-mean-square error, structural similarity, line profiles, and visual assessment. RESULTS: When the CNN was tested on five reserved quarter-dose whole-body-low-dose CT images, noise was reduced by 75%, root-mean-square-error reduced by 34%, and structural similarity increased by 60%. Visual analysis and line profiles indicated that the method significantly reduced noise while maintaining spatial resolution of anatomic features. CONCLUSION: The proposed phantom-based training framework demonstrated strong noise reduction while preserving spatial detail. Because this method is based within the image domain, it can be easily implemented without access to projection data.