[논문 리뷰] AAPM DL-Sparse-View CT Challenge Submission Report: Designing an Iterative Network for Fanbeam-CT with Unknown Geometry

Martin Genzel, Jan Macdonald외 1명|arXiv (Cornell University)|2021. 06. 01.

Medical Imaging Techniques and Applications인용 수 5

한 줄 요약

이 논문은 전방 모델(기하학)이 알려져 있지 않은 경우 희소 시야 팬빔 CT 재구성에 대한 데이터 기반 반복적 딥러닝 프레임워크를 제안한다. 먼저 기하학을 훈련 데이터에서 미분 가능한 시노그램 피팅을 사용해 추정하고, 이후 전이 학습된 U-Net과 필터링 배경분포 기반 데이터 일致성 단계를 조합한 이단계 네트워크를 적용하여, 최신 기법들인 학습된 프리미티브-듀얼 알고리즘보다 RMSE가 한 단계 낮은 거의 정확한 재구성을 달성한다.

ABSTRACT

This report is dedicated to a short motivation and description of our contribution to the AAPM DL-Sparse-View CT Challenge (team name: "robust-and-stable"). The task is to recover breast model phantom images from limited view fanbeam measurements using data-driven reconstruction techniques. The challenge is distinctive in the sense that participants are provided with a collection of ground truth images and their noiseless, subsampled sinograms (as well as the associated limited view filtered backprojection images), but not with the actual forward model. Therefore, our approach first estimates the fanbeam geometry in a data-driven geometric calibration step. In a subsequent two-step procedure, we design an iterative end-to-end network that enables the computation of near-exact solutions.

연구 동기 및 목표

• 전방 모델(기하학)이 알려져 있지 않은 희소 시야 CT 재구성을 해결하는 데 도전한다.
• 제한된, 부분적으로 샘플링된 측정치가 있을 때에도 거의 정확한 이미지 복원을 달성하는 방법을 개발한다.
• 측정치의 편향에 대해 딥러닝 기반 재구성의 강건성과 안정성을 확보한다.
• 미분 가능한 기하학 추정을 통해 물리 모델을 통합하여 엔드 투 엔드 훈련을 가능하게 한다.
• 특히 RMSE 측면에서 최신 데이터 기반 기법들보다 재구성 정확도에서 뛰어나게 한다.

제안 방법

• 자동 미분를 사용한 경사 하강법으로, 파arameterized이고 미분 가능한 팬빔 연산자를 시노그램-이미지 쌍에 피팅하여 알려지지 않은 팬빔 기하학을 추정한다.
• 주요 특징 추출기 및 재구성 기반으로 사전 훈련된 U-Net을 사용한다.
• 이중 단계 반복 네트워크를 구현한다: 첫 번째로 U-Net 통과, 그 다음 필터링 배경분포를 사용한 데이터 일치성 단계(수반 연산자가 아닌)를 적용한다.
• 필터링 배경분포를 기반으로 한 ℓ²-기반 경사 하강 유사 업데이트 단계를 도입하여 데이터 일치성을 강제한다.
• 기하학과 재구성 모두를 함께 최적화하는 방식으로, 훈련 세트에서 감독 손실을 사용해 전체 네트워크를 엔드 투 엔드로 훈련한다.
• 미래 확장으로써 시노그램 일관성 조건을 활용한 비지도 기하학 캘리브레이션을 탐색한다.

실험 결과

연구 질문

• RQ1 전방 모델에 대한 사전 지식 없이, 제한된 시노그램-이미지 쌍에서 데이터 기반 접근법이 알려지지 않은 팬빔 기하학을 정확하게 추정할 수 있는가?
• RQ2 반복 네트워크에서 표준 수반 기반 방법과 비교해, 필터링 배경분포 기반 데이터 일치성 단계가 재구성 정확도를 향상시키는가?
• RQ3 사전 훈련된 U-Net이 역문제에 대한 반복적 딥러닝 프레임워크의 백본으로 효과적으로 재사용될 수 있는가?
• RQ4 희소 시야 CT에서 최신 기법들인 학습된 프리미티브-듀얼 알고리즘과 비교해 제안된 방법의 재구성 정확도는 어떠한가?
• RQ5 제안된 프레임워크는 측정치의 편향에 강건한가? 노이즈가 없는 경우 거의 정확한 복원을 달성하는가?

주요 결과

• 저자들이 내부적으로 사용한 검증 세트 기준으로, 제안된 방법은 루트 평균 제곱 오차(RMSE) 측면에서 학습된 프리미티브-듀얼 알고리즘보다 오차가 한 단계 낮다.
• 데이터 기반 기하학 추정 단계는 미분 가능한 시노그램 피팅을 통해 훈련 데이터로부터 기저 팬빔 파라미터를 성공적으로 복원한다.
• 데이터 일치성 단계에서 필터링 배경분포를 사용함으로써, 표준 수반 기반 업데이트보다 우수한 성능을 달성한다.
• 측정치의 편향에 대해 높은 안정성을 보이며, 딥러닝 기반 재구성이 신뢰성 있고 강건할 수 있음을 뒷받침한다.
• 사전 훈련된 U-Net 백본이 반복적 정밀화와 결합될 경우, 노이즈가 없는 데이터에서 시각적으로 완벽한 재구성을 가능하게 하여 정확한 복원에 가까워진다.
• 특히 검증 세트에서 RMSE를 최소화하는 데 있어, 기존 최신 기술보다 뛰어난 성능을 보이며 희소 시야 CT 설정에서 뛰어난 성능을 발휘한다.