[논문 리뷰] 2-Step Sparse-View CT Reconstruction with a Domain-Specific Perceptual Network

Haoyu Wei, Florian Schiffers외 5명|arXiv (Cornell University)|2020. 12. 08.

Medical Imaging Techniques and Applications참고 문헌 45인용 수 8

한 줄 요약

이 논문은 희박한 시노그램을 초해상도로 복원하고, FBP로 재구성된 영상에서 잔류 잡음을 제거하기 위해 두 단계로 나누어 진행하는 딥러닝 프레임워크를 제안한다. 먼저 도메인 특화 초해상도 네트워크(SIN)를 사용해 희박한 시노그램을 초해상도로 처리하고, 이후 보정 네트워크(PRN)로 FBP 재구성 영상을 보정한다. 이 방법은 경량화된 도메인 적응형 인지 손실과 임의의 모듈을 활용하여 저샘플링 조건에서 잡음 억제와 세부 정보 유지에 효과적이다. 결과적으로 기존 최고 수준의 방법들보다 평균 4 dB의 PSNR 향상을 달성한다.

ABSTRACT

Computed tomography is widely used to examine internal structures in a non-destructive manner. To obtain high-quality reconstructions, one typically has to acquire a densely sampled trajectory to avoid angular undersampling. However, many scenarios require a sparse-view measurement leading to streak-artifacts if unaccounted for. Current methods do not make full use of the domain-specific information, and hence fail to provide reliable reconstructions for highly undersampled data. We present a novel framework for sparse-view tomography by decoupling the reconstruction into two steps: First, we overcome its ill-posedness using a super-resolution network, SIN, trained on the sparse projections. The intermediate result allows for a closed-form tomographic reconstruction with preserved details and highly reduced streak-artifacts. Second, a refinement network, PRN, trained on the reconstructions reduces any remaining artifacts. We further propose a light-weight variant of the perceptual-loss that enhances domain-specific information, boosting restoration accuracy. Our experiments demonstrate an improvement over current solutions by 4 dB.

연구 동기 및 목표

• 희박한 시점 CT에서 각도 부족으로 인한 줄무늬 잡음 문제를 해결하기 위해.
• 재구성 후 영상 공간이 아닌 측정값(시노그램) 도메인에서 도메인 특화 사전 지식을 활용하여 재구성 품질을 향상시키기 위해.
• 시노그램 데이터에 특화된 경량이고 효과적인 인지 손실 함수를 개발하여 고주파 세부 정보 복원을 향상시키기 위해.
• 재구성 과정을 두 단계로 분리—시노그램 도메인에서의 초해상도 처리 이후 영상 도메인에서의 잡음 보정을 통해 세부 정보 유지 및 해석 가능성 향상을 위해.
• Two-Ends 플립 및 고주파 손실과 같은 작업 특화 모듈의 효과를 광범위한 추상화 연구를 통해 검증하기 위해.

제안 방법

• 프레임워크는 재구성 과정을 두 단계로 분리한다: 먼저, 1차원 선형 보간과 Two-Ends(TE) 플립 전처리를 적용한 초해상도 네트워크(SIN)가 희박한 시노그램을 확대한다.
• SIN은 VGG 기반 손실을 대체하는 새로운 도메인 특화 인지(DP) 손실을 사용해 훈련되며, 이는 시노그램 표현 학습의 효율성과 정확도를 향상시킨다.
• 초해상도로 복원된 시노그램은 여러 각도 밀도로 재샘플링되어 필터드 백프로젝션(FBP)을 통해 다수의 중간 재구성 영상을 생성한다.
• 보정 네트워크(PRN)는 이러한 FBP 출력을 대상으로 훈련되어 잔여 잡음을 제거하며, 특징 다양성과 재구성 정확도 향상을 위해 캐스케이드된 4채널 입력을 사용한다.
• DP 인지 손실은 시노그램 데이터에서 중요한 고주파 성분을 강조하도록 설계되어, 가장자리 및 질감 유지에 기여한다.
• 추상화 연구를 통해 각 구성 요소—TE 전처리, 고주파 손실, DP 인지 손실—의 기여도를 평가하며, 개별 및 통합 기여도를 분석한다.

실험 결과

연구 질문

• RQ1 시노그램 도메인에서의 초해상도 처리가 희박한 시점 CT에서 재구성 후 영상 공간 처리보다 우월한가?
• RQ2 기본적인 VGG 기반 손실과 비교해 도메인 특화 인지 손실이 재구성 정확도 향상에 얼마나 효과적인가?
• RQ3 Two-Ends 플립 및 고주파 손실과 같은 작업 특화 모듈이 저샘플링 CT에서 재구성 품질 향상에 어느 정도 기여하는가?
• RQ4 초해상도 이후 보정 단계로 구성된 2단계 접근이 단일 단계 네트워크보다 더 나은 세부 정보 유지 및 잡음 억제를 제공하는가?
• RQ5 각 제안된 모듈이 극도로 희박한 재구성에서 전체 성능 향상에 기여하는 비율은 어느 정도인가?

주요 결과

• 제안된 SIN-4c-PRN 모델은 다음으로 우수한 방법(FISTA-PD-TV)보다 평균 4.29 dB의 PSNR 향상을 달성했으며, PSNR는 34.90 dB(σ=2.15)를 기록했다.
• 기준선 대비 SSIM이 5% 포인트 향상되어 0.877로 향상되었으며, 분산이 감소하여 일관성과 구조적 정확도가 높아졌다.
• 도메인 특화 인지(DP) 손실은 VGG16 기반 인지 손실보다 우수한 성능을 보였으며, PSNR는 33.51 dB(비교 대비 VGG 기반 33.39 dB)를 기록했고, 저대비 세부 정보 유지에 유리했다.
• TE 플립 전처리와 고주파(HF) 손실은 DP 손실과 조합되었을 때 각각 약 2.5 dB의 PSNR 향상을 기여했다.
• 추상화 연구 결과, PRN 단계에서 4채널 입력이 성능 향상에 크게 기여하며, SIN-4c-PRN은 SIN-PRN 대비 PSNR에서 0.29 dB 향상되었다.
• 정성적 결과에서는 이 방법이 줄무늬 잡음을 효과적으로 억제하면서 특히 저대비 영역에서 세밀한 해부학적 세부 정보를 잘 유지하는 것으로 나타났다.