技術概要：低線量 PBI-CT 用ノイズ除去のための Neighbor2Inverse

問題提起

伝搬型 X 線位相コントラストイメージング（PBI）は、特に肺イメージングにおいて優れた軟部組織コントラストを提供し、侵襲的生検の必要性を軽減する可能性があります。しかし、PBI の臨床実用化には、放射線被曝量の大幅な低減が不可欠です。被曝量を低減するための現在の戦略（露光時間の短縮、投影数の制限、関心領域（ROI）への視野制限など）は、避けられずに画像ノイズを増大させ、アーティファクト（例：切断アーティファクト、リングアーティファクト）を導入します。

深層学習に基づくノイズ除去は有望ですが、教師あり手法は低線量と高線量の対データセットを必要とし、倫理的および論理的な制約により、実際にはめったに利用できません。シミュレーションデータは現実世界のノイズ特性を再現できず、バイアスを導入することがあります。既存の自己教師あり手法（Noise2Noise、Neighbor2Neighbor、Noise2Inverse など）は真の正解データ（ground truth）の欠如に対処しますが、空間的に相関したノイズ、位相再構成の要件、大規模な画素数に起因する高い計算需要など、ROI PBI-CT の特有の課題には適応されていません。

手法

著者らは、臨床 CT にも一般化可能な、低線量 PBI-CT 用に特別に設計された自己教師ありノイズ除去フレームワーク「Neighbor2Inverse」を提案します。この手法は、トモグラフィック逆問題に「Neighbor2Neighbor」の原理を適用します。

コアパイプライン

1. 投影領域でのサブサンプリング: 再構成画像をサブサンプリングする代わりに、この手法は生投影データ（$p_\phi$）をサブサンプリングします。単一のノイズ混入投影を、非重複の $2 \times 2$ ピクセルパッチに分割します。各パッチから、2 つの隣接ピクセルをランダムに選択し、2 つのサブサンプリング変形 $g_1(p_\phi)$ および $g_2(p_\phi)$ を生成します。これらの変形は、ほぼ同一の構造的な情報を共有しつつ、統計的に独立したノイズ実現を含みます。
2. 再構成パイプライン: サブサンプリングされた投影は、標準的な PBI 再構成パイプラインを経由します。
   • 位相再構成: 単一材料位相再構成アルゴリズム（Paganin ら）を用いて厚さマップを計算します。
   • 再構成: フィルタリング逆投影（FBP）を適用して画像スライスを生成します。
3. 訓練目的: U-Net ノイズ除去ネットワーク（$f_\theta$）を画像領域で訓練します。一方の再構成スライス（$g_1$ から導出）をネットワークに入力し、他方（$g_2$ から導出）をターゲットとして使用します。ネットワークは、ノイズのない正解データを必要とせず、ノイズ混入の入力を「よりクリーンな」ターゲットにマッピングすることを学習します。
4. 損失関数:
   • ベース損失（$L_{Nei}$）: ネットワーク出力とターゲットのサブサンプリング再構成との差を最小化します。
   • 正則化（$L_{reg}$）: サブサンプリング入力間の潜在的な信号の不一致を考慮するための、Neighbor2Neighbor 補正項の適応版です。
   • データ忠実度バリエーション: 著者らはまた、$L_{reg}$ をデータ忠実度項（$L_{origSino}$ および $L_{virtSino}$）に置き換えることも検討しました。これらは、ネットワーク出力（前方投影後）を元のシンオグラムまたは仮想シンオグラムと比較し、測定データとの整合性を強制します。

実験設定

• PBI データセット: オーストラリア・シンクロトロンで取得した子牛の肺スキャン。データには 70 keV における 3600 枚の投影が含まれます。7 つの露光時間（15ms から 200ms）がテストされました。200ms スキャンは高品質な参照として機能し、15ms スキャンは低線量条件をシミュレートしました。
• 臨床データセット: RSNA 肺塞栓症検出チャレンジからの 200 件の胸部 CT 検査。低線量条件は、体積を前方投影し、混合ポアソン - ガウスノイズを追加することでシミュレートされました。
• 比較: この手法は、解析的フィルタ（ガウス、BM3D、TV、ウェーブレット）、他の自己教師あり手法（Noise2Inverse、Neighbor2Neighbor、Blind2Unblind、Proj2Proj、ZeroShotN2N、Filter2Noise、SDCNN）、および合成ノイズを使用した教師あり手法（FakeNoiseNet）に対してベンチマークされました。

主要な貢献

1. 新規フレームワーク: 空間的に相関したノイズと位相再構成の制約に対処する、ROI PBI-CT の逆問題に特化した最初の自己教師ありノイズ除去手法である Neighbor2Inverse の導入。
2. ドメイン適応: 投影領域のサブサンプリングと画像領域のノイズ除去の間のギャップを成功裡に橋渡しし、ネットワークが最終再構成画像における空間的相関を利用できるようにします。
3. 包括的評価: シンクロトロン PBI データとシミュレートされた臨床 CT データの両方において、広範な解析的手法および学習ベースの手法に対する体系的な比較。
4. ロバスト性分析: 疎なビュー条件（アンダーサンプリング）下での手法の性能および正則化ハイパーパラメータに対する感度の調査。

結果

• PBI データ（15ms vs. 200ms）: Neighbor2Inverse は、解析的手法や他の自己教師あり手法と比較して、微細な構造的詳細（例：肺胞境界）を保持しつつ、優れたノイズ抑制を達成しました。
  • 指標: 全てのテスト手法の中で、最も高い複合画像品質指数（$Q = \text{CNR}/\text{SR}$）を達成しました。具体的には、シンオグラムサブサンプリング変形は $Q$ 値 $2.507 \pm 1.087$ を達成し、この指標において 200ms 参照（$1.413 \pm 0.304$）を上回りました。
  • 視覚的評価: 過度に平滑化する手法（例：TV、ガウス）や構造的歪みを導入する手法（例：FakeNoiseNet）とは異なり、Neighbor2Inverse は鮮明さを維持し、ノイズを効果的に低減しました。
• 臨床データ: シミュレートされた低線量臨床 CT において、Neighbor2Inverse は競合する性能を示し、PSNR および SSIM において教師あり U-Net とほぼ同等の結果を達成しましたが、Noise2Inverse はこれらの特定の指標でわずかに高いスコアを示しました（著者は、これらの指標が過度に平滑化された画像を優遇すると指摘しています）。
• 疎なビュー性能: 元の半分である 900 枚の投影のみを持つデータに適用された場合、Neighbor2Inverse はノイズと角度アンダーサンプリングアーティファクトの両方を低減しましたが、微細構造におけるコントラストの若干の減衰を伴いました。
• 被曝量低減戦略: 本研究では、投影ごとの露光時間を短縮することが、投影数を減らすことよりも画像品質への悪影響が少ないことが判明しました。これは、厚さ再構成ステップが暗黙的なノイズフィルタとして機能するためです。

意義と主張

本論文は、高線量の訓練データの対を必要とすることなく、大幅に低減された放射線被曝量で高品質なイメージングを可能にすることにより、Neighbor2Inverse が PBI の臨床実用化に向けた重要な一歩であると主張しています。

• 臨床的関連性: この手法は、肺イメージングにおける放射線安全性という重要な障壁に対処し、非侵襲的に十分な診断詳細を提供することで、侵襲的生検の必要性を軽減する可能性があります。
• 方法論的洞察: 著者らは、この特定の応用においては、データ正則化（$L_{reg}$ 経由）が効果的な訓練に厳密に必須ではないことを実証しましたが、データ忠実度項は、わずかに高い残留ノイズの代償として構造的保持を改善し得ると示しています。
• 限界と将来の課題: 著者らは、定量的指標（CNR、SSIM、PSNR）が微妙な構造的歪みに鈍感であり、過度に平滑化された画像を優遇する可能性があることを謙虚に認めています。将来の研究は、臨床診断ニーズとのより良い整合を図るために、タスクベースの評価に焦点を当てるべきであると提案しています。さらに、データ忠実度定式化のより徹底的な調査が有望な方向性として提案されています。

この研究は、Neighbor2Inverse が低線量領域において画像品質を一貫して向上させ、中程度のアンダーサンプリング下でもロバストであり、PBI を臨床応用により近づけるための実行可能な道筋を提供することを結論付けています。