Deep learning based projection domain metal segmentation for metal artifact reduction in cone beam computed tomography

要約

金属アーチファクトの補正は、コーンビームコンピュータ断層撮影 (CBCT) スキャンにおける困難な問題です。
解剖学的構造に挿入された金属インプラントは、再構成された画像に重大なアーチファクトを引き起こします。
広く使用されている修復ベースの金属アーティファクト低減 (MAR) 方法では、最初のステップとして突起内の金属痕跡をセグメント化する必要がありますが、これは困難な作業です。
1 つのアプローチは、ディープ ラーニング手法を使用して、突起内の金属をセグメント化することです。
ただし、ディープ ラーニング手法の成功は、現実的なトレーニング データが利用できるかどうかによって制限されます。
インプラントの境界が不明確で、投影が多数あるため、信頼できるグラウンド トゥルース アノテーションを取得するには、手間と時間がかかります。
X線シミュレーションを使用して、臨床CBCTスキャンから合成金属セグメンテーショントレーニングデータセットを生成することを提案します。
さまざまなフォトン数を使用してシミュレーションの効果を比較し、利用可能なデータを増強するためにいくつかのトレーニング戦略も比較します。
実際の臨床スキャンにおけるモデルのパフォーマンスを、従来の領域拡張しきい値ベースの MAR、移動金属アーティファクト低減法、および最近の深層学習法と比較します。
比較的少数のフォトンを使用したシミュレーションが金属セグメンテーション タスクに適していること、およびフルサイズの投影とトリミングされた投影を一緒に使用して深層学習モデルをトレーニングすると、モデルの堅牢性が向上することを示します。
激しい動き、ボクセルサイズのアンダーサンプリング、FOV 範囲外の金属の影響を受ける画質が大幅に向上していることがわかります。
私たちの方法は、既存の投影ベースの MAR パイプラインに簡単に統合して、画質を向上させることができます。
この方法は、CBCT 投影で金属を正確にセグメント化するための新しいパラダイムを提供できます。

要約(オリジナル)

Metal artifact correction is a challenging problem in cone beam computed tomography (CBCT) scanning. Metal implants inserted into the anatomy cause severe artifacts in reconstructed images. Widely used inpainting-based metal artifact reduction (MAR) methods require segmentation of metal traces in the projections as a first step, which is a challenging task. One approach is to use a deep learning method to segment metals in the projections. However, the success of deep learning methods is limited by the availability of realistic training data. It is laborious and time consuming to get reliable ground truth annotations due to unclear implant boundaries and large numbers of projections. We propose to use X-ray simulations to generate synthetic metal segmentation training dataset from clinical CBCT scans. We compare the effect of simulations with different numbers of photons and also compare several training strategies to augment the available data. We compare our model’s performance on real clinical scans with conventional region growing threshold-based MAR, moving metal artifact reduction method, and a recent deep learning method. We show that simulations with relatively small number of photons are suitable for the metal segmentation task and that training the deep learning model with full size and cropped projections together improves the robustness of the model. We show substantial improvement in the image quality affected by severe motion, voxel size under-sampling, and out-of-FOV metals. Our method can be easily integrated into the existing projection-based MAR pipeline to get improved image quality. This method can provide a novel paradigm to accurately segment metals in CBCT projections.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google