[논문 리뷰] A Lightweight Structure Aimed to Utilize Spatial Correlation for Sparse-View CT Reconstruction

Yitong Liu, Ken Deng외 2명|arXiv (Cornell University)|2021. 01. 19.

Medical Imaging Techniques and Applications참고 문헌 71인용 수 5

한 줄 요약

이 논문은 연속된 CT 슬라이스 간의 공간적 상관관계를 활용하여 희박한 시야 CT 영상을 고정밀도로 복원하는 경량 이중 도메인 딥러닝 프레임워크(LS-AAE)를 제안한다. L-AAE를 통한 라돈 도메인 보간과 LS-AAE를 통한 이미지 도메인 잡음 제거를 결합하며, 양쪽 모두 선형 블로킹을 갖춘 역전형 잔여항을 사용함으로써 모델 파라미터를 크게 줄이면서도 성능을 유지한다. 이로 인해 4° 시료 간격에서 PSNR 40.305, SSIM 0.948의 최신 기술 수준 성능을 달성하였으며, 극한의 희박성(16° 간격) 조건에서도 성능을 유지를 한다.

ABSTRACT

Sparse-view computed tomography (CT) is known as a widely used approach to reduce radiation dose while accelerating imaging through lowered projection views and correlated calculations. However, its severe imaging noise and streaking artifacts turn out to be a major issue in the low dose protocol. In this paper, we propose a dual-domain deep learning-based method that breaks through the limitations of currently prevailing algorithms that merely process single image slices. Since the scanned object usually contains a high degree of spatial continuity, the obtained consecutive imaging slices embody rich information that is largely unexplored. Therefore, we establish a cascade model named LS-AAE which aims to tackle the above problem. In addition, in order to adapt to the social trend of lightweight medical care, our model adopts the inverted residual with linear bottleneck in the module design to make it mobile and lightweight (reduce model parameters to one-eighth of its original) without sacrificing its performance. In our experiments, sparse sampling is conducted at intervals of 4°, 8° and 16°, which appears to be a challenging sparsity that few scholars have attempted before. Nevertheless, our method still exhibits its robustness and achieves the state-of-the-art performance by reaching the PSNR of 40.305 and the SSIM of 0.948, while ensuring high model mobility. Particularly, it still exceeds other current methods when the sampling rate is one-fourth of them, thereby demonstrating its remarkable superiority.

연구 동기 및 목표

• 낮은 방사선 선제를 제공함에도 불구하고 심한 줄무늬 잡음과 노이즈로 인해 임상적 활용이 제한되는 희박한 시야 CT에서의 줄무늬 잡음과 노이즈 문제를 해결하기 위해.
• 기존 단일 슬라이스 방법을 뛰어넘어, 연속된 CT 영상 슬라이스 간에 미사용된 공간적 상관관계를 활용하여 복원 품질을 향상시키기 위해.
• 최소한의 파라미터(원래 크기의 1/8로 감소)로도 높은 성능을 유지하면서도 이동 기기 친화적인 경량 모델을 개발하기 위해.
• 16° 간격과 같은 극한의 희박성 조건에서도 견고한 성능을 발휘할 수 있도록 하기 위해.
• 어려운 희박한 시야 데이터에서 기존 최신 기술 수준의 방법들을 능가하는 정량적 지표(PSNR, SSIM)와 시각적 품질을 확보하기 위해.

제안 방법

• 두 단계의 캐스케이드 모델을 설계: L-AAE는 라돈 도메인 보간을 담당하고, LS-AAE는 이미지 도메인의 잡음 제거를 담당한다.
• L-AAE와 LS-AAE 양쪽 모두에 역전형 잔여항과 선형 블로킹을 사용하여 모델 파라미터를 극적으로 감소시키면서도 성능을 유지한다.
• 복원된 전체 시야 라돈 데이터를 FBP로 변환하여 두 번째 단계의 LS-AAE 모델 입력으로 활용한다.
• LS-AAE에서 연속된 CT 슬라이스 간의 3D 공간 이웃 정보를 활용하여 운동을 암묵적으로 모델링하고 잡음 제거 성능을 향상시킨다.
• 도메인 특화 최적화를 통합: L-AAE는 라돈 도메인에서 구조 유사성을 향상시키고, LS-AAE는 이미지 도메인에서 왜곡을 감소시킨다.
• 양 도메인을 결합하여 상호 보완적인 강점을 유기적으로 활용함으로써, 라돈 도메인의 구조적 정밀도와 이미지 도메인의 텍스처 정확도를 동시에 확보한다.

실험 결과

연구 질문

• RQ1 연속된 CT 슬라이스 간의 공간적 상관관계를 활용하면 단일 슬라이스 방법을 뛰어넘어 희박한 시야 CT 복원 성능을 크게 향상시킬 수 있는가?
• RQ2 역전형 잔여항과 선형 블로킹을 활용한 경량 딥러닝 모델이 파라미터를 87.5% 감소시켜도 최신 기술 수준의 성능을 유지할 수 있는가?
• RQ3 극한의 희박성 조건에서 이중 도메인(Radon + 이미지) 복원 방식이 단일 도메인 방법보다 PSNR와 SSIM 측면에서 어떻게 비교되는가?
• RQ4 제안된 방법은 4°, 8°, 16° 시료 간격에서 기존 최신 기술 수준의 방법들을 능가하는가?
• RQ5 스ライ스 간 공간적 상관관계가 독립적인 슬라이스 처리에 비해 잡음 제거에 얼마나 기여하는가?

주요 결과

• 제안된 LS-AAE 모델은 4° 시료 간격에서 PSNR 40.305, SSIM 0.948를 달성하여 FBP, SART-TV, U-Net를 뛰어넘는다.
• 8° 및 16° 시료 간격에서는 각각 PSNR 37.633 및 34.052, SSIM 0.937 및 0.910의 높은 성능 유지를 보인다.
• 이중 도메인 접근 방식(Radon + 이미지)은 단일 도메인 방법보다 뛰어난 성능을 보이며, PSNR 40.305(라돈 도메인 전용: 30.310, 이미지 도메인 전용: 34.135)를 기록한다.
• 역전형 잔여항과 선형 블로킹을 통해 모델 파라미터를 원래 크기의 1/8로 줄여 이동 기기 배포가 가능해지며 성능 손실 없이 유지된다.
• 심지어 극한의 희박성(16° 시료 간격)에서도 다른 최신 기술 수준의 방법들을 초월하여 견고성과 일반화 능력을 입증한다.
• 제거 분석 결과, 공간적 상관관계가 라돈 도메인보다 이미지 도메인에서 더 효과적으로 잡음 제거에 기여함을 확인하였으며, 이는 라돈 공간에서의 텍스처 유사도가 제한적이기 때문이다.