|
本研究では、深層学習と逐次近似再構成法のハイブリッド画像再構成法の開発を行った。研究期間全体を通じては、まず、逐次近似法に深層ニューラルネットワーク組み込む作業を行った。深層ニューラルネットワークは、画像を生成する生成器として導入し、生成された画像から得られる投影と、実際に観測された投影データとの差分をロス関数として最適化を行い、ネットワークパラメータを更新する。
さらに、識別器と呼ばれる別のネットワークを用意し、高画質CTと生成器の出力画像とを識別するように学習させた。結果として、生成器は、画質の高い画像を生成する。この手法を放射線治療装置であるTomotherapyに内蔵されたMega-voltage CT(MVCT)の画質改善に適用した。高画質画像としては、高画質の治療計画用CT画像を用いた。これらの画像データとCycleGANを用いて、生成器と識別器の事前学習を行った。特に、私は既存のCycleGANに対して、構造保存を課すロス関数を導入し、少ないデータでも安定して高い画質の画像を生成するモデルを開発した。
最終年度には、生成器内のdecoderに対して、更新数の増加と共に低解像度から高解像度へ効率的に画像再構成を進めていく手法を開発した。結果として、パラメータの初期値に依存したモード崩壊を抑制し、安定して高い画質の画像が得られるようになった。MVCTの疎な投影データを使って、我々の手法とこれまでの逐次近似法とで比較した結果、Full scanのMVCT画像（正解画像）との一致度を表す二つの指標、SSIMとPSNRで共に我々の手法が逐次近似法を上回った。
この結果から、放射線治療の位置照合で用いられるMVCTの画質を向上させ、放射線治療の更なる高精度化が期待できる。さらに、この手法はCone-beam CTやlow dose CTなど他のCT再構成でも適用可能である。
|
