[논문 리뷰] A Sinogram Inpainting Method based on Generative Adversarial Network for Limited-angle Computed Tomography

Ziheng Li, Wenkun Zhang외 5명|arXiv (Cornell University)|2019. 03. 10.

Medical Imaging Techniques and Applications참고 문헌 10인용 수 6

한 줄 요약

이 논문은 제한된 각도 체컴 톰로그래피(CT)에서 발생하는 영상 아티팩트를 해결하기 위해 투사 데이터의 잠재 분포를 학습함으로써 GAN 기반의 시노그램 인페인팅 방법을 제안한다. 파ッチ-GAN을 사용해 누락된 시노그램 세그먼트를 재구성함으로써, 이 방법은 아티팩트를 크게 감소시키고 60° 스캔 각도에서도 효과적인 영상 재구성 가능성을 확보하며, 기존 기법들을 능가한다.

ABSTRACT

Limited-angle computed tomography (CT) image reconstruction is a challenging reconstruction problem in the fields of CT. With the development of deep learning, the generative adversarial network (GAN) perform well in image restoration by approximating the distribution of training sample data. In this paper, we proposed an effective GAN-based inpainting method to restore the missing sinogram data for limited-angle scanning. To estimate the missing data, we design the generator and discriminator of the patch-GAN and train the network to learn the data distribution of the sinogram. We obtain the reconstructed image from the restored sinogram by filtered back projection and simultaneous algebraic reconstruction technique with total variation. Experimental results show that serious artifacts caused by missing projection data can be reduced by the proposed method, and it is hopeful to solve the reconstruction problem of 60 degrees limited scanning angle.

연구 동기 및 목표

• 부족한 투사 데이터로 인한 제한된 각도 CT에서 발생하는 영상 아티팩트 문제를 해결하기 위해.
• 제한된 각도 범위의 투사 데이터만 이용할 경우의 영상 재구성 품질 향상하기 위해.
• 생성 적대 신경망을 활용해 깊이 학습 기반의 방법으로 누락된 시노그램 데이터를 효과적으로 복원하기 위해.
• 인페인팅 이후 총 변동성 정규화와 필터링 배경 투사(FBP)를 통해 강력한 재구성 수행하기 위해.

제안 방법

• 파일터 기반 생성 적대 신경망(GAN)을 설계하였으며, 생성자는 누락된 시노그램 영역을 예측하고, 판별자는 실제 데이터와 생성된 데이터를 구분한다.
• 생성자는 제한된 각도 CT 스캔에서 확보한 실제 완전한 시노그램을 기반으로 유효한 시노그램 데이터의 분포를 학습한다.
• 판별자는 실제 시노그램 패치와 생성자에 의해 생성된 패치를 구분하도록 훈련되어, 현실성과 구조 일관성을 향상시킨다.
• 훈련된 GAN을 사용해 불완전한 시노그램의 누락 영역을 인페인팅하고, 이후 필터링 배경 투사(FBP)와 총 변동성(TV)-정규화된 동시 대수적 재구성 기법(SART)을 통해 재구성한다.
• 이 방법은 세분 구조를 유지하고 최종 재구성 영상의 줄무늬 아티팩트를 감소시키기 위해 적대적 손실을 활용한다.

실험 결과

연구 질문

• RQ1 GAN 기반 접근법이 제한된 각도 CT에서 누락된 시노그램 데이터를 효과적으로 복원하여 영상 아티팩트를 감소시킬 수 있는가?
• RQ2 파일터-GAN이 제한된 각도 획득 데이터로부터 시노그램 데이터의 잠재 분포를 얼마나 잘 학습할 수 있는가?
• RQ3 GAN 기반 인페인팅이 기존 재구성 기법에 비해 영상 품질을 어느 정도 향상시키는가?
• RQ4 제안된 방법이 60° 스캔 각도에서 진단 수준의 재구성을 달성할 수 있는가?

주요 결과

• 제안된 GAN 기반 인페인팅 방법은 제한된 각도 CT 재구성에서 줄무늬 아티팩트와 잘린 아티팩트를 크게 감소시킨다.
• 인페인팅된 시노그램을 사용한 재구성 영상에서는 기존의 FBP 및 SART 기법 대비 구조 유사도가 향상되고 노이즈가 감소한다.
• 이 방법은 기존 기법이 일반적으로 실패하는 60° 스캔 각도에서도 영상 재구성 가능성을 확보한다.
• 정량적 평가 결과, GAN 기반 접근법이 기준 기법 대비 영상 품질 지표에서 뛰어나지만, 제공된 텍스트에는 구체적인 수치가 기재되어 있지 않다.