[논문 리뷰] Comparison of projection domain, image domain, and comprehensive deep learning for sparse-view X-ray CT image reconstruction

Kaichao Liang, Hongkai Yang외 1명|arXiv (Cornell University)|2018. 04. 12.

Medical Imaging Techniques and Applications참고 문헌 21인용 수 21

한 줄 요약

이 연구는 희박한 시야 X선 CT 재구성에 대한 딥러닝 접근법을 비교한다: 투과 영역, 이미지 영역, 그리고 종합적인 하이브리드 네트워크. 결과적으로 두 영역 모두에서 학습을 통합함으로써 더 낮은 잡음과 함께 향상된 이미지 품질을 달성함을 보여주며, 종합 네트워크는 72개 시야 재구성에서 가장 낮은 RRMSE(0.0474)와 가장 높은 SSIM(0.9978)를 기록하여 FBP 및 단일 영역 방법을 크게 능가함.

ABSTRACT

X-ray Computed Tomography (CT) imaging has been widely used in clinical diagnosis, non-destructive examination, and public safety inspection. Sparse-view (sparse view) CT has great potential in radiation dose reduction and scan acceleration. However, sparse view CT data is insufficient and traditional reconstruction results in severe streaking artifacts. In this work, based on deep learning, we compared image reconstruction performance for sparse view CT reconstruction with projection domain network, image domain network, and comprehensive network combining projection and image domains. Our study is executed with numerical simulated projection of CT images from real scans. Results demonstrated deep learning networks can effectively reconstruct rich high frequency structural information without streaking artefact commonly seen in sparse view CT. A comprehensive network combining deep learning in both projection domain and image domain can get best results.

연구 동기 및 목표

• 희박한 시야 X선 CT에 대해 투과 영역, 이미지 영역, 그리고 종합적인 하이브리드 영역에서 딥러닝 기반 재구성 방법의 성능을 평가하고 비교하는 것.
• 투과 영역과 이미지 영역 양쪽에서 딥러닝을 통합할 경우 단일 영역 접근법에 비해 더 향상된 재구성 품질을 달성할 수 있는지 조사하는 것.
• 딥러닝 프레임워크 내에서 분석적 FBP를 미분 가능한 레이어로 통합한 엔드 투 엔드 훈련의 효과를 평가하는 것.
• 딥러닝을 통해 줄어든 줄무늬 잡음과 향상된 구조적 유사성 및 재구성 정확도를 정량화하는 것.
• 실제 흉부 CT 페phantom과 정량적 지표를 활용하여 향후 딥러닝 기반 CT 재구성 방법 개발을 위한 기준을 제공하는 것.

제안 방법

• 희박한 시야 데이터로부터 누락된 투과 영역을 추정하기 위해 Res-CNN 아키텍처를 기반으로 한 투과 영역 네트워크를 제안함.
• 희박한 데이터에서 FBP로 재구성된 이미지의 잡음을 보정하기 위해 U-Net 아키텍처를 사용한 이미지 영역 네트워크를 설계함.
• 투과 영역 추정과 이미지 영역 노이즈 제거를 병합한 종합 네트워크를 개발하였으며, FBP를 미분 가능한 레이어로 통합함.
• 투과 영역에서 이미지 영역으로의 변환 과정을 통해 엔드 투 엔드 역전파를 가능하게 하기 위해 분석적 FBP를 미분 가능한 레이어로 사용함.
• 재구성된 이미지의 L2 손실을 기반으로 네트워크를 훈련하였으며, 시스템 행렬과 FBP 연산자 전파를 통해 기울기를 역전파함.
• 실제 흉부 CT 페phantom에서 수치 시뮬레이션을 수행하여 다양한 시야 희박성(45 및 72개 시야) 조건에서 RRMSE와 SSIM을 사용해 성능을 평가함.

실험 결과

연구 질문

• RQ1 희박한 시야 CT에서 투과 영역에서의 딥러닝과 이미지 영역에서의 딥러닝 간에 잡음 감소 및 이미지 품질 측면에서 어떤 차이가 있는가?
• RQ2 투과 영역과 이미지 영역 양쪽에서 딥러닝을 병합할 경우 단일 영역에서의 학습보다 더 뛰어난 재구성 성능을 달성할 수 있는가?
• RQ3 미분 가능한 FBP 레이어를 통한 엔드 투 엔드 훈련이 전체 재구성 정확도와 안정성에 어떤 영향을 미치는가?
• RQ4 고도의 희박성(예: 45개 시야) 조건에서 RRMSE와 SSIM 지표는 다양한 재구성 전략에 따라 어떻게 변화하는가?
• RQ5 종합 네트워크가 단일 영역 방법에 비해 다양한 해부학적 구조에서 더 뛰어난 강건성과 일관성을 보이는가?

주요 결과

• 투과 영역과 이미지 영역 학습을 병합한 종합 네트워크는 72개 시야 재구성에서 가장 낮은 RRMSE(0.0474)와 가장 높은 SSIM(0.9978)를 기록함.
• 45개 시야 조건에서는 종합 네트워크가 RRMSE 0.0677과 SSIM 0.9962를 기록하였으며, FBP(RRMSE: 0.2667) 및 기타 딥러닝 기반 기준보다 유의미하게 뛰어남.
• 모든 딥러닝 방법이 희박한 데이터에서 FBP 재구성에 흔히 나타나는 줄무늬 잡음을 효과적으로 억제함.
• 종합 네트워크는 테스트 세트 전반에서 RRMSE와 SSIM의 표준편차가 가장 작았으며, 이는 더 뛰어난 안정성을 의미함.
• 이미지 영역의 U-Net과 투과 영역 추정 네트워크 모두 FBP를 초월한 성능 향상을 보였지만, 하이브리드 접근법이 가장 일관되고 정확한 결과를 제공함.
• FBP를 미분 가능한 레이어로 통합함으로써 효과적인 역전파가 가능해졌으며, 양 영역 간 특징 학습이 향상됨.