Основные понятия
本稿では、従来のCNNやTransformerベースの手法の限界を克服し、ノイズテクスチャの精度向上を実現する、低線量CT画像ノイズ除去のための新しいハイブリッド畳み込み状態空間モデル、CT-Mambaを提案する。
研究目的
本研究は、低線量CT (LDCT) 画像に生じるノイズやアーチファクトを効果的に除去し、診断に耐えうる高品質な画像を生成することを目的とする。
手法
本研究では、ウェーブレット変換、CNN、そしてMambaと呼ばれる状態空間モデルを組み合わせたハイブリッドモデル、CT-Mambaを提案する。
ウェーブレット変換: LDCT画像を異なる周波数成分に分解し、多重解像度分析を可能にする。
CNN: ローカルな特徴抽出に優れ、画像内の詳細な構造情報を捉える。
Mamba (S6): 長距離依存関係のモデリングに優れ、画像全体のコンテキスト情報を考慮したノイズ除去を実現する。
さらに、CT-Mambaは以下の要素を含む。
Coherence Z-Scan State Space Block (CZSS): 画像内の隣接するピクセル間の空間的な連続性を維持する新しい特徴抽出ユニット。
Deep Noise Power Spectrum Loss (Deep NPS Loss): ノイズテクスチャの精度向上のため、ノイズパワースペクトル(NPS)を用いた損失関数。
結果
提案手法をMayo ClinicとAMOSの公開データセットを用いて評価した結果、従来手法と比較して、PSNR、SSIM、RMSE、VIFなどの定量的な指標において優れたノイズ除去性能を示した。
さらに、放射線医学的特徴の分析においても、CT-MambaはNDCT画像の形状やテクスチャの特徴を効果的に保持していることが示された。
結論
CT-Mambaは、LDCT画像のノイズ除去において優れた性能を発揮し、詳細な構造の保持、ノイズテクスチャの精度向上、放射線医学的特徴の再現性において優れた結果を示した。
本研究は、MambaフレームワークをLDCTノイズ除去タスクに応用する代表的なアプローチとして、臨床応用への可能性を示唆している。
意義
本研究は、LDCTの臨床応用を促進し、患者への放射線被ばく量を低減しながら、高精度な診断を実現するための重要な一歩となる。
今後の展望
異なるノイズレベルやアーチファクトに対するCT-Mambaのロバスト性をさらに検証する必要がある。
臨床現場での実用化に向けて、処理速度の向上や計算コストの削減などが課題として挙げられる。
Статистика
本稿では、2016年のNIH-AAPM-Mayo Clinic低線量CTグランドチャレンジで公開された患者データセットを使用しました。
このデータセットには、スライス厚1mmの腹部低線量および標準線量画像ペアが10名分含まれています。
4分の1線量のLDCT画像は、NDCT画像の投影データにポアソンノイズを加えることで、フルドーズの25%に相当するノイズレベルを模倣して生成されました。
9名の患者データ(合計5,410画像ペア)をモデル学習に使用し、残りの1名(L506)のデータ(合計526ペア)をモデル性能のテストに使用しました。
また、[37]の方法を用いて、AMOSデータセット(Simulatorデータセットと呼ぶ)から20名の患者について、低線量と標準線量の画像ペアをシミュレーションにより作成し、モデルの学習と検証に用いました。
低線量画像は、標準線量の4分の1に相当します。
19名の患者データ(合計1,872画像ペア)を学習に使用し、1名(AMOS-0033)のデータ(合計106ペア)をモデル性能のテストに使用しました。