[논문 리뷰] A Cascaded Convolutional Neural Network for X-ray Low-dose CT Image Denoising

Dufan Wu, Kyung Sang Kim외 2명|arXiv (Cornell University)|2017. 05. 11.

Medical Imaging Techniques and Applications참고 문헌 22인용 수 57

한 줄 요약

논문은 연속적으로 denoise하는 CNN 계층을 사용하는 cascaded CNN 프레임워크를 제안하며, 점진적으로 denoise된 데이터에서 학습하여 저선량 CT 이미지의 아티팩트를 반복적으로 감소시켜 단일 패스 denoisers보다 PSNR/SSIM을 향상시킨다.

ABSTRACT

Image denoising techniques are essential to reducing noise levels and enhancing diagnosis reliability in low-dose computed tomography (CT). Machine learning based denoising methods have shown great potential in removing the complex and spatial-variant noises in CT images. However, some residue artifacts would appear in the denoised image due to complexity of noises. A cascaded training network was proposed in this work, where the trained CNN was applied on the training dataset to initiate new trainings and remove artifacts induced by denoising. A cascades of convolutional neural networks (CNN) were built iteratively to achieve better performance with simple CNN structures. Experiments were carried out on 2016 Low-dose CT Grand Challenge datasets to evaluate the method's performance.

연구 동기 및 목표

• 저선량 CT에서 진단 품질을 보존하면서 방사선 노출을 줄이기 위한 디노이징의 필요성을 동기화한다.
• 각 단계에서 잔차를 학습하여 디노이징을 다듬는 cascaded 학습 방식 제안.
• 표준 저선량 CT 데이터에 대해 cascaded 접근을 기존 디노이저 및 기본 신경망과 비교 평가한다.

제안 방법

• 저선량 CT를 정상 용량 이미지와의 차이에 대응하는 잔차 학습 CNN 매핑으로 활용.
• xL에서 xH로 f1을 학습하여 xD(1)을 얻고; 입력을 xL과 함께 쌓아 정보를 보존하면서 xD(1)에서 xD(1)−xH를 매핑하도록 f2를 학습.
• 첫 번째와 마지막 층을 제외하고 모든 CNN은 BN과 ReLU를 갖춘 3x3x64 합성곱 커널을 공유하는 동일 구조로 반복적으로 연결하되 입력 채널을 조정.
• 손실 함수는 L2; 학습은 학습률 1e-4 및 가중치 감소 1e-4의 ADAM으로 수행; 7명의 환자에서 3,933 슬라이스의 패치(40x40)로 학습.
• cascaded 접근은 skip 연결을 통한 더하기 대신 입력을 쌓아 올려 잔차 네트워크와 관련되며; SSDA와 유사하게 점진적으로 디노이징을 정제하는 관점에서 개념적으로 유사하다.

실험 결과

연구 질문

• RQ1 점진적으로 denoise된 데이터에서 학습된 cascaded CNN이 저선량 CT 디노이징에서 단일 CNN보다 아티팩트를 더 잘 감소시킬 수 있는가?
• RQ2 cascades의 수가 일반 방법과 비교하여 객관적 영상 품질 지표(PSNR, SSIM)에 어떤 영향을 미치는가?
• RQ3 cascaded CNN이 BM3D/WNNM 또는 일반 MLP보다 병변과 같은 진단에 중요한 구조를 더 잘 보존하는가?

주요 결과

• 연쇄 구동(cascading)이 CNN5, CNN10, CNN15 전반에 걸쳐 원래 디노이즈된 결과와 혼합 결과의 PSNR을 크게 향상시킨다.
• 혼합 결과(70% 디노이즈된 영상, 30% 저선량)에서 더 많은 cascades로 SSIM이 개선되는 반면, 원래의 디노이노이즈된 SSIM은 포화되거나 감소할 수 있다.
• CNN 계열의 cascades는 9개의 슬라이스에서 평균 SSIM에서 BM3D와 WNNM보다 우수했고; CNN15-3가 이 비교에서 보고된 최고의 SSIM을 보였다.
• MLP cascades는 CNN cascades보다 개선이 덜하며, CNN이 CT 노이즈 특성을 더 잘 포착한다는 것을 시사한다.
• 정성적 결과는 cascaded CNN이 스트립/블록 아티팩트를 줄이고 단일 패스 디노이징과 기존 방법에 비해 병변 가시성을 더 잘 보존함을 보여준다.