Low-Contrast Detectability of Image-based Denoising Algorithm using Deep Learning in CT

Abstract

Purpose: To compare the low-contrast detectability of deep learning algorithm (DLA), with those of advanced modeled iterative reconstruction (ADMIRE) and filtered back projection (FBP).

Materials and Methods: Using abdomen and pelvis CT images of 100 patients reconstructed with both ADMIRE and FBP, we trained DLA by feeding FBP images as input and ADMIRE images as the ground truth. To compare the low-contrast detectability of the DLA with that of ADMIRE and FBP, randomized repeat scans of Catphan® lowcontrast phantom module were performed under various conditions of radiation exposures, and twelve radiologists evaluated the presence/absence of a target on a five-point confidence scale. Multi-reader multi-case area under the receiver operating characteristic curve (AUC) was calculated and noninferiority tests were performed. To evaluate the spatial resolution and noise, the target transfer function (TTF50), area under the noise power spectrum (AUNPS) and noise power spectrum (NPS) peak were compared across the algorithms.

Results: The AUC of DLA in low contrast detectability was noninferior to that of ADMIRE (P <.001) and superior to that of FBP (P <.001). TTF50 of DLA was higher than that of FBP and ADMIRE in various conditions. AUNPS of DLA was lower than that of ADMIRE and FBP (P <.001). The NPS peak frequency of DLA was not different from that of ADMIRE (P >.99) and was lower than that of FBP (P <.001).

Conclusion: The low-contrast detectability of the proposed deep learning-based denoising algorithm was noninferior to that of ADMIRE and superior to that of FBP.

목적: 딥러닝 기반의 전산화단층 촬영 잡음 제거 알고리즘에서의 저대조도검출률을 상용화된 알고리즘인 ADMIRE (advanced modeled iterative reconstruction)과 FBP (filtered back projection)에서의 저대조도검출률과 비교하고자 한다.

대상 및 방법: ADMIRE 와 FBP 로 재구성된 환자 100 명의 복부골반전산화단층촬영 영상이 딥러닝 알고리즘 기반의 잡음 제거 알고리즘 훈련에 이용되였다. 우리는 FBP 를 입력영상으로, ADMIRE 를 출력영상으로 설정하여 딥러닝을 훈련하였다. 딥러닝의 저대조도검출률은 다양한 방사선량 조건에서 측정되었다 (100 kVp, 200, 100, 50, 26 mAs). 세 종류의 알고리즘에서 저대조도검출률을 비교하기 위해 12 명의 영상의학과 의사가 저대조도 물체 존재 유무에 대해 평가하였다. 다중리더 다중케이스 곡선하면적이 측정되었으며 알고리즘 간에 비열등성 검정을 수행하였다. 목표 전달 함수 (target transfer function) 및 잡음 밀도 스펙트럼 (noise power spectrum)은 목표 전달 함수 중위값 진동수, 잡음 밀도 스펙트럼 곡선 하 면적, 잡음 밀도 스펙트럼 최빈 진동수로 비교되었다.

결과: 딥러닝 알고리즘의 저대조도검출률을 ADMIRE 와 비교하여 비열등 (P<.001)하였으며 FBP 와 비교하여 우열하였다 (P<.001}. 목표 전달 함수 중위값 진동수는 딥러닝 알고리즘이 ADMIRE 및 FBP 와 비교하여 다양한 실험조건에서 높은 결과를 보였다. 잡음 밀도 스펙트럼 곡선 하 면적은 딥러닝 알고리즘이 ADMIRE 및 FBP 보다 낮은 값을 보였다 (P<.001). 잡음 밀도 스펙트럼 최빈 진동수 측면에서 딥러닝 알고리즘은 ADMIRE 와 비슷하였고 (P>.99), FBP 와 비교해서는 낮은 값을 보였다 (P<.001).

결론: 딥러닝 기반의 전산화단층 촬영 잡음 제거 알고리즘에서의 저대조도검출률을 ADMIRE 와 비교하여 비열등하였으며 FBP 와 비교하여 우열하다.