臨床の低線量肝臓CTに対する知覚アテンションネットワークを用いた教師なしデノイジング

要旨: 深層学習の発展により、医用画像処理は臨床研究を支援するために広く用いられてきた。本論文は、深層学習を用いた低線量CT（computed tomography）の除去（denoising）問題に焦点を当てる。低線量CTは患者の被ばくを低減する一方で、より多くのノイズも導入し、医師による視覚的解釈を妨げ、診断結果に影響を与え得る。この問題に対処するため、本論文は教師なし学習のためのCycle-GANに着想を得て、エンドツーエンドの教師なし低線量CT除去フレームワークを提案する。提案するフレームワークは、多段階（マルチスケール）の特徴抽出のためのU-Net構造、特徴融合のための注意（attention）機構、および特徴変換のための残差ネットワークを組み合わせる。また、医用画像の特性に対応するために、知覚損失（perceptual loss）を導入し、ネットワークの学習を改善する。さらに、実在の低線量CTデータセットを構築し、提案手法を検証するために、画像ベースの評価指標と医療評価基準の両方を用いた多数の比較実験を設計する。古典的手法と比較して、本論文の主な利点は、実臨床データが教師あり学習に直接利用できないという制約に取り組みつつ、なお優れた性能を達成している点にある。実験結果も画像診断の専門医によって適切に評価され、臨床的ニーズを満たしている。