Trainable Joint Bilateral Filters for Enhanced Prediction Stability in Low-dose CT

要約

低線量コンピュータ断層撮影（CT）ノイズ除去アルゴリズムは、高い画質を維持しながら、日常的なCT取得で患者の線量を低減できるようにすることを目的としています。
最近、深層学習〜（DL）ベースの方法が導入され、モデルの容量が大きいため、このタスクで従来のノイズ除去アルゴリズムよりも優れています。
ただし、DLベースのノイズ除去を臨床診療に移行するには、これらのデータ駆動型アプローチは、見られるトレーニングデータを超えて確実に一般化する必要があります。
したがって、ガイダンス画像を予測するために、畳み込みDLベースのノイズ除去ネットワークと組み合わせたトレーニング可能なジョイントバイラテラルフィルター（JBF）のセットで構成されるハイブリッドノイズ除去アプローチを提案します。
私たちが提案するノイズ除去パイプラインは、DLベースの特徴抽出によって可能になる高いモデル容量と従来のJBFの信頼性を組み合わせたものです。
パイプラインの一般化能力は、金属インプラントを使用しない腹部CTスキャンのトレーニング、金属インプラントを使用した腹部スキャンのテスト、および頭部CTデータによって実証されています。
2つの定評のあるDLベースのノイズ除去装置（RED-CNN / QAE）をパイプラインに埋め込むと、ノイズ除去のパフォーマンスが$ 10 \、\％$ / $ 82 \、\％$（RMSE）と$ 3 \、\％$向上します。
/ $ 81 \、\％$（PSNR）は金属を含み、$ 6 \、\％$ / $ 78 \、\％$（RMSE）および$ 2 \、\％$ / $ 4 \、\％$（PSNR）
それぞれのバニラモデルと比較した頭部CTデータ。
結論として、提案されたトレーニング可能なJBFは、深部ニューラルネットワークのエラー範囲を制限して、低線量CTパイプラインでのDLベースのノイズ除去装置の適用を容易にします。

要約(オリジナル)

Low-dose computed tomography (CT) denoising algorithms aim to enable reduced patient dose in routine CT acquisitions while maintaining high image quality. Recently, deep learning~(DL)-based methods were introduced, outperforming conventional denoising algorithms on this task due to their high model capacity. However, for the transition of DL-based denoising to clinical practice, these data-driven approaches must generalize robustly beyond the seen training data. We, therefore, propose a hybrid denoising approach consisting of a set of trainable joint bilateral filters (JBFs) combined with a convolutional DL-based denoising network to predict the guidance image. Our proposed denoising pipeline combines the high model capacity enabled by DL-based feature extraction with the reliability of the conventional JBF. The pipeline’s ability to generalize is demonstrated by training on abdomen CT scans without metal implants and testing on abdomen scans with metal implants as well as on head CT data. When embedding two well-established DL-based denoisers (RED-CNN/QAE) in our pipeline, the denoising performance is improved by $10\,\%$/$82\,\%$ (RMSE) and $3\,\%$/$81\,\%$ (PSNR) in regions containing metal and by $6\,\%$/$78\,\%$ (RMSE) and $2\,\%$/$4\,\%$ (PSNR) on head CT data, compared to the respective vanilla model. Concluding, the proposed trainable JBFs limit the error bound of deep neural networks to facilitate the applicability of DL-based denoisers in low-dose CT pipelines.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google