[논문 리뷰] A deep network for sinogram and CT image reconstruction

Wei Wang, Xiang‐Gen Xia외 5명|arXiv (Cornell University)|2020. 01. 20.

Medical Imaging Techniques and Applications참고 문헌 24인용 수 8

한 줄 요약

이 논문은 서로 다른 가시각, 노이즈가 많은 산란도형 데이터에서 CT 영상을 재구성하고 노이즈 제거/업샘플링하는 데 사용되는 엔드 투 엔드 딥러닝 프레임워크를 제안한다. 이는 가시각, 노이즈가 많은 산란도형 데이터에서 최고의 평균 PSNR(34.39 dB)와 SSIM(0.918) 성능을 기록하며, 상태의 기술을 초월한다. 이는 레이블이 부여된 산란도형과 CT 영상 쌍을 활용하여 향상된 성능을 달성한다.

ABSTRACT

A CT image can be well reconstructed when the sampling rate of the sinogram satisfies the Nyquist criteria and the sampled signal is noise-free. However, in practice, the sinogram is usually contaminated by noise, which degrades the quality of a reconstructed CT image. In this paper, we design a deep network for sinogram and CT image reconstruction. The network consists of two cascaded blocks that are linked by a filter backprojection (FBP) layer, where the former block is responsible for denoising and completing the sinograms while the latter is used to removing the noise and artifacts of the CT images. Experimental results show that the reconstructed CT images by our methods have the highest PSNR and SSIM in average compared to state of the art methods.

연구 동기 및 목표

• 낮은 선량 CT 재구성 문제를 다루며, 노이즈가 많고 부족한 산란도형이 영상 품질을 떨어뜨리는 문제를 해결한다.
• 산란도형을 동시에 재구성하고 향상시키는 엔드 투 엔드 딥러닝 프레임워크를 개발한다.
• 훈련 중에 레이블이 부여된 산란도형과 CT 영상 쌍을 통합하여 영상 품질을 향상시킨다.
• FBP 연산의 비가역성 문제를 해결하기 위해 새로운 기울기 계산 방법을 제안한다.

제안 방법

• 네트워크는 두 개의 연결된 블록으로 구성되며, 첫 번째 블록은 산란도형의 노이즈 제거 및 업샘플링을 수행하고, 두 번째 블록은 재구성된 CT 영상을 정밀하게 보완한다.
• 블록들은 산란도형을 CT 영상으로 변환하는 가시각 역투영(FBP) 레이어를 통해 연결되며, 기울기가 희소 행렬 곱셈을 통해 역전파된다.
• 사용자 정의 손실 함수는 최종 CT 영상의 재구성 손실과 중간 산란도형의 노이즈 제거 손실을 하이퍼파rameter λ로 가중하여 조합한다.
• 낮은 가시각, 노이즈가 많은 산란도형과 해당되는 고품질 CT 영상 쌍을 사용하여 엔드 투 엔드로 네트워크를 훈련시킨다.
• 첫 번째 블록은 컨volutional 및 deconvolutional 레이어를 활용한 잔차 U-Net 유사 아키텍처를 사용하여 산란도형을 재구성하고 노이즈를 제거한다.
• FBP 레이어는 희소 행렬 곱셈을 통해 기울기를 계산함으로써 미분 가능하게 만들었으며, 이는 재구성 과정 전파를 가능하게 한다.

실험 결과

연구 질문

• RQ1 기존 방법보다 더 효과적으로 고품질 CT 영상 재구성과 저선량 산란도형의 노이즈 제거/업샘플링을 동시에 수행할 수 있는 딥러닝 모델이 존재하는가?
• RQ2 훈련 중에 레이블이 부여된 산란도형 데이터를 통합할 경우 CT 영상 재구성 성능에 어떤 영향을 미치는가?
• RQ3 두 단계로 구성된 딥러닝 프레임워크에서 산란도형 노이즈 제거와 최종 CT 영상 재구성 간의 최적의 트레이드오프는 무엇인가?
• RQ4 손실 가중치 파rameter λ의 선택이 이중 단계 네트워크 성능에 어떤 영향을 미치는가?

주요 결과

• 제안된 방법은 90도 산란도형 데이터에서 최고의 평균 PSNR(34.39 dB)와 SSIM(0.918) 성능을 기록하여 FBP, Red-CNN, DD-Net, FBP-Conv를 모두 능가한다.
• 180도 산란도형에서 λ=0.1일 경우 산란도형 PSNR는 56.12 dB, CT 영상 PSNR는 36.33 dB를 기록하여 강력한 노이즈 제거 및 재구성 능력을 보였다.
• 90도 산란도형 데이터에서 λ=0.5일 경우 전체 CT 영상 품질이 가장 우수했으며, 산란도형과 영상 수준 최적화 간의 균형 잡힌 트레이드오프를 보여주었다.
• 절대 차이 영상 분석 결과, 제안된 방법은 기준 방법 대비 더 많은 해부학적 세부 정보를 유지하고 잡음과 아티팩트를 감소시켰다.
• 제거 실험 결과, 네트워크 성능이 λ에 민감하며, λ=0.5가 저가시각 재구성에서 최적의 균형을 제공하는 것으로 확인되었다.
• 레이블이 부여된 산란도형과 CT 영상 쌍의 사용은 재구성 품질을 크게 향상시켰으며, 다중 수준 감독의 이점을 입증했다.