[논문 리뷰] Conditional Normalizing Flows for Low-Dose Computed Tomography Image Reconstruction

Alexander Denker, Maximilian Schmidt외 3명|arXiv (Cornell University)|2020. 06. 11.

Medical Imaging Techniques and Applications참고 문헌 25인용 수 4

한 줄 요약

이 논문은 노이즈가 있는 측정값에서 저선량 CT 영상을 복원하기 위해 필터드 백프로젝션(FBP)을 조건부 조건으로 통합한 하이브리드 조건부 정규화 플로우를 제안한다. MSE 최소화가 아닌 플로우 기반 밀도 추정을 활용함으로써, 상태 기반의 구조적 유사도(SSIM)를 달성하면서도 경쟁적인 PSNR를 유지하여, 명시적인 MSE 훈련 없이도 딥러닝 기반 보다 뛰어난 구조적 정밀도를 입증한다.

ABSTRACT

Image reconstruction from computed tomography (CT) measurement is a challenging statistical inverse problem since a high-dimensional conditional distribution needs to be estimated. Based on training data obtained from high-quality reconstructions, we aim to learn a conditional density of images from noisy low-dose CT measurements. To tackle this problem, we propose a hybrid conditional normalizing flow, which integrates the physical model by using the filtered back-projection as conditioner. We evaluate our approach on a low-dose CT benchmark and demonstrate superior performance in terms of structural similarity of our flow-based method compared to other deep learning based approaches.

연구 동기 및 목표

• 통계적 역문제 프레임워크를 통해 노이즈가 많은 저선량 측정값에서 고품질 CT 영상을 복원하는 도전 과제를 해결한다.
• CT 복원에서 복잡한 비독립 동일분포(i.i.d.) 노이즈 및 아티팩트 구조를 포착하지 못하는 MSE 기반 딥러닝 방법의 한계를 극복한다.
• 유량 기반 생성 모델링을 사용하여 저선량 CT의 고차원 사후분포 $ p(x|y^\delta) $ 를 모델링하는 조건부 밀도 추정기 개발.
• FBP를 통한 CT 전방 모델 물리 지식을 조건화 메커니즘에 통합하여 샘플 품질과 일반화 능력을 향상시킨다.
• 플로우 기반 가능도 최적화가 MSE 기반 훈련보다 더 나은 구조적 유지 보존을 이끌어내는지 확인한다. 특히 SSIM 지표에서 두드러진다.

제안 방법

• 역행성 신경망과 커파링 레이어를 사용하여 사후분포 $ p(x|y^\delta) $ 를 모델링하는 조건부 정규화 플로우(cNF) 제안.
• 물리적 일관성 향상과 분포 복잡성 감소를 위해 저선량 측정값의 필터드 백프로젝션(FBP)을 조건 입력으로 사용.
• 6개의 커파링 레이어를 가진 다중 스케일 RealNVP 유사 아키텍처를 채택하고, 하르 기반 다운샘플링 및 역행성 1x1 컨볼루션을 통해 특징 순열을 수행.
• 저선량 측정값을 기반으로 참값 영상의 로그 가능도에 대해 최대 가능도 추정을 사용해 모델을 종합적으로 훈련.
• 공유 인코더 네트워크를 통해 FBP 출력을 조건으로 설정하여, 모델이 FBP 복원도에 잔차 보정을 학습하도록 유도.
• 학습된 플로우 분포에서 몬테카를로 샘플링을 통해 조건부 평균을 추정하여 최종 복원 영상을 생성.

실험 결과

연구 질문

• RQ1 조건부 정규화 플로우는 저선량 CT 복원에서 복잡하고 비정규 분포인 사후분포를 효과적으로 모델링할 수 있는가?
• RQ2 물리적 FBP 복원을 조건부 조건으로 통합하면, 종합적으로 학습된 모델 대비 플로우 기반 CT 복원의 품질과 안정성이 향상되는가?
• RQ3 정규화 플로우의 가능도 기반 훈련이 SSIM과 같은 구조적 영상 품질 지표에서 MSE 기반 최적화와 비교해 어떻게 다를까?
• RQ4 플로우 기반 모델은 표준 딥러닝 기반 모델보다 저선량 CT 데이터의 구조적 의존성과 아티팩트를 더 잘 포착할 수 있는가?
• RQ5 사후분포가 단일모드일 경우 플로우 기반 사후분포의 조건부 평균은 안정적이고 고품질의 복원 전략이 될 수 있는가?

주요 결과

• 제안된 cNF 모델은 LoDoPaB-CT 데이터셋에서 테스트 SSIM 0.88을 달성하여, FBP + U-Net 및 학습된 반복 알고리즘을 포함한 모든 다른 딥러닝 및 전통적 방법을 능가한다.
• MSE 최소화를 위해 훈련되지 않았음에도 불구하고, PSNR 35.68을 기록하여 FBP + U-Net 및 학습된 PD와 같은 최신 MSE 최적화 모델과 유사한 성능을 보였다.
• 조건부 평균을 계산하는 데 사용된 몬테카를로 샘플 수가 증가할수록 PSNR와 SSIM이 향상됨을 확인하여, 모델의 불확실성 추정이 의미가 있으며 샘플 품질이 더 많은 샘플 수에 따라 향상됨을 시사한다.
• 모델의 뛰어난 SSIM 성능은 가능도 기반 훈련이 MSE 기반 최적화보다 구조적 영상 특성을 더 잘 포착함을 확인하며, 이는 픽셀 수준 정확도를 우선시하는 경향이 있는 MSE 기반 최적화와 대비된다.
• FBP를 조건부 조건으로 통합함으로써 플로우는 잔차 보정에 집중할 수 있게 되었고, 이는 저선량 CT 벤치마크에서 더 빠른 수렴과 향상된 일반화 능력을 이끌어냈다.
• 결과는 가능도가 복잡하고 비정규 분포인 통계적 역문제에 대해 플로우 기반 모델이 잘 맞는다는 것을 시사하며, 특히 노이즈 및 아티팩트 의존성이 비독립 동일분포(i.i.d.)가 아닐 경우에 유용하다.