Projektiodatan laajennus ehdollisella generatiivisella kilpailevalla verkostolla rajoitetun keilan tietokonetomografiassa
Heino, Helinä (2022-06-21)
Heino, Helinä
H. Heino
21.06.2022
© 2022 Helinä Heino. Tämä Kohde on tekijänoikeuden ja/tai lähioikeuksien suojaama. Voit käyttää Kohdetta käyttöösi sovellettavan tekijänoikeutta ja lähioikeuksia koskevan lainsäädännön sallimilla tavoilla. Muunlaista käyttöä varten tarvitset oikeudenhaltijoiden luvan.
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi:oulu-202206213094
https://urn.fi/URN:NBN:fi:oulu-202206213094
Tiivistelmä
Tietokonetomografia (TT) on röntgensäteilyä hyödyntävä kuvantamismenetelmä, jonka avulla kuvannettavasta kohteesta kerätään säteilyn vaimenemista edustavaa projektiodataa, josta voidaan muodostaa rekonstruktioprosessissa leikekuvia. Leikekuvien avulla voidaan tarkastella kohteen kolmiulotteista rakennetta. Esimerkiksi sydämen TT:n leikekuvia voidaan hyödyntää sepelvaltimotaudin diagnostiikassa. Sydämen sisätomografia on tutkimuksen alla oleva säteilyannossäästön tuottava TT:n sovellus, jossa röntgensädekeila rajoitetaan koko torson sijaan kiinnostuksen kohteena olevalle sydämen alueelle. Sisätomografisen kuvantamisen haasteena on, että kun rajoitetulla keilalla kerätty projektiodata rekonstruoidaan leikekuvaksi käyttäen perinteistä suodatettua takaisinprojektiota (Filtered Back Projection, FBP), rekonstruoituun leikekuvaan aiheutuu kuvanlaatua heikentävää kirkasta sädekehämäistä artefaktaa.
Tässä pro gradu -tutkielmassa ongelma ratkaistiin laajentamalla rajoitetun keilan projektiodata täyden keilan projektiodataksi ennen FBP-rekonstruktiota. Projektiodatan laajennus toteutettiin kouluttamalla syväoppiva konvolutionaalinen neuroverkko, joka oli ehdolliseen generatiiviseen kilpailevaan verkostoon (conditional Generative Adversarial Network, cGAN) perustuva Pix2Pix-malli. Referenssimenetelmänä käytettiin kokonaisvariaation minimointia eli TV-rekonstruktiota (Total Variation minimization, TV). Työssä käytettiin Oulun yliopistollisessa sairaalassa suoritetuista sydämen TT-tutkimuksista kerättyjä leikekuvia (Oulun yliopistollinen sairaala tutkimuslupanumero 104/2018). Datasettiin kuului 500 sydämen TT-tutkimusta, joissa kussakin tutkimuksessa oli keskimäärin 70 leikekuvaa, joista valittiin 400 leikekuvaa projektiodatan simulointiin. Täyden keilan ja rajoitetun keilan projektiodata simuloitiin leikekuvasta ASTRA-ohjelmiston avulla.
Sydämen alueen kuvanlaatua arvioitiin laskemalla rekonstruoiduille leikekuville kuvanlaadun parametrit eli keskineliövirhe (Mean Squared Error, MSE: Pix2Pix: 0,03 ± 0,01 × 10^-5; TV: 0,07 ± 0,05 × 10^-5; artefaktan sisältävä FBP: 1,4 ± 0,6 × 10^-5), keskineliövirheen neliöjuuri (Root-Mean-Square Error, RMSE: Pix2Pix: 0,49 ± 0,09 × 10^-3; TV: 0,8 ± 0,3 × 10^-3; artefaktan sisältävä FBP: 3,7 ± 0,9 × 10^-3), signaali-kohinasuhteen huippu- tai maksimiarvo (Peak Signal-to-Noise Ratio, PSNR: Pix2Pix: 24,5 ± 1,5 dB; TV: 21,0 ± 3,0 dB; artefaktan sisältävä FBP: 7,0 ± 3,0 dB) ja rakenteellinen samankaltaisuusindeksi (Structured Similarity Index, SSIM: Pix2Pix: 0,99 ± 0,01; TV: 0,99 ± 0,01; artefaktan sisältävä FBP: 0,75 ± 0,10). Yhteenvetona voidaan todeta, että Pix2Pix-menetelmä tuotti paremman kuvanlaadun kuin TV-rekonstruktio, ja kehitetyn menetelmän avulla onnistuttiin poistamaan leikekuvan kuvanlaatua heikentävä artefakta. Samalla tultiin tuottaneeksi rajoitetun keilan ulkopuolista rakenneinformaatiota.
Tässä pro gradu -tutkielmassa ongelma ratkaistiin laajentamalla rajoitetun keilan projektiodata täyden keilan projektiodataksi ennen FBP-rekonstruktiota. Projektiodatan laajennus toteutettiin kouluttamalla syväoppiva konvolutionaalinen neuroverkko, joka oli ehdolliseen generatiiviseen kilpailevaan verkostoon (conditional Generative Adversarial Network, cGAN) perustuva Pix2Pix-malli. Referenssimenetelmänä käytettiin kokonaisvariaation minimointia eli TV-rekonstruktiota (Total Variation minimization, TV). Työssä käytettiin Oulun yliopistollisessa sairaalassa suoritetuista sydämen TT-tutkimuksista kerättyjä leikekuvia (Oulun yliopistollinen sairaala tutkimuslupanumero 104/2018). Datasettiin kuului 500 sydämen TT-tutkimusta, joissa kussakin tutkimuksessa oli keskimäärin 70 leikekuvaa, joista valittiin 400 leikekuvaa projektiodatan simulointiin. Täyden keilan ja rajoitetun keilan projektiodata simuloitiin leikekuvasta ASTRA-ohjelmiston avulla.
Sydämen alueen kuvanlaatua arvioitiin laskemalla rekonstruoiduille leikekuville kuvanlaadun parametrit eli keskineliövirhe (Mean Squared Error, MSE: Pix2Pix: 0,03 ± 0,01 × 10^-5; TV: 0,07 ± 0,05 × 10^-5; artefaktan sisältävä FBP: 1,4 ± 0,6 × 10^-5), keskineliövirheen neliöjuuri (Root-Mean-Square Error, RMSE: Pix2Pix: 0,49 ± 0,09 × 10^-3; TV: 0,8 ± 0,3 × 10^-3; artefaktan sisältävä FBP: 3,7 ± 0,9 × 10^-3), signaali-kohinasuhteen huippu- tai maksimiarvo (Peak Signal-to-Noise Ratio, PSNR: Pix2Pix: 24,5 ± 1,5 dB; TV: 21,0 ± 3,0 dB; artefaktan sisältävä FBP: 7,0 ± 3,0 dB) ja rakenteellinen samankaltaisuusindeksi (Structured Similarity Index, SSIM: Pix2Pix: 0,99 ± 0,01; TV: 0,99 ± 0,01; artefaktan sisältävä FBP: 0,75 ± 0,10). Yhteenvetona voidaan todeta, että Pix2Pix-menetelmä tuotti paremman kuvanlaadun kuin TV-rekonstruktio, ja kehitetyn menetelmän avulla onnistuttiin poistamaan leikekuvan kuvanlaatua heikentävä artefakta. Samalla tultiin tuottaneeksi rajoitetun keilan ulkopuolista rakenneinformaatiota.
Kokoelmat
- Avoin saatavuus [31657]