[논문 리뷰] Consensus Neural Network for Medical Imaging Denoising with Only Noisy Training Samples

Dufan Wu, Kuang Gong외 2명|arXiv (Cornell University)|2019. 06. 09.

Medical Imaging Techniques and Applications참고 문헌 9인용 수 12

한 줄 요약

이 논문은 동일한 이미지의 두 개의 독립적 노이즈 실현을 활용하여 오직 노이즈 있는 샘플에서만 훈련하는 공감 신경망을 제안한다. 새로운 공감 손실 함수와 평균이 0이고 상관이 없는 노이즈 조건 하에서 지도 학습과 동치임을 증명하는 이론적 기반을 통해, 저선량 CT 및 부족 샘플링 MR 데이터셋에서 비지도 노이즈 제거 분야에서 최고 성능을 달성하며, Noise2noise 및 반복적 방법을 능가하면서 미세한 구조를 유지한다.

ABSTRACT

Deep neural networks have been proved efficient for medical image denoising. Current training methods require both noisy and clean images. However, clean images cannot be acquired for many practical medical applications due to naturally noisy signal, such as dynamic imaging, spectral computed tomography, arterial spin labeling magnetic resonance imaging, etc. In this paper we proposed a training method which learned denoising neural networks from noisy training samples only. Training data in the acquisition domain was split to two subsets and the network was trained to map one noisy set to the other. A consensus loss function was further proposed to efficiently combine the outputs from both subsets. A mathematical proof was provided that the proposed training scheme was equivalent to training with noisy and clean samples when the noise in the two subsets was uncorrelated and zero-mean. The method was validated on Low-dose CT Challenge dataset and NYU MRI dataset and achieved improved performance compared to existing unsupervised methods.

연구 동기 및 목표

• 동적 CT, PET, ASL-MRI와 같은 모ality에서 고유한 노이즈로 인해 청소된 기준 영상이 제공되지 않는 의료 영상에서 깊이 있는 노이즈 제거 네트워크를 훈련하는 데 도전하는 것.
• 특정 노이즈 조건 하에서 지도 학습과 동치임을 수학적으로 엄밀히 증명함으로써 Noise2noise 프레임워크를 확장하는 것.
• 동일한 이미지의 두 개의 노이즈 실현을 효과적으로 활용하여 성능을 향상시키는 공감 손실 함수를 설계하는 것.
• 청결한 영상이 훈련 중에 이용 불가능한 실제 의료 영상 데이터셋—저선량 CT 및 뉴욕 대학교(MRI)—에서 방법을 검증하는 것.
• 스캐너 수집 파이프라인을 수정하지 않고도 임상 워크플로우에 도입 가능한, 노이즈 있는 입력을 공감 출력으로 매핑하는 별도의 네트워크를 훈련하는 것.

제안 방법

• 각 노이즈 있는 입력을 두 개의 독립적 노이즈 실현으로 분할하여, 노이즈 제거 네트워크의 소스 및 타겟으로 간주한다.
• 새로운 공감 손실 함수를 도입하여, 네트워크가 한 노이즈 실현으로부터 다른 노이즈 실현을 예측하도록 공동 최적화함으로써 기능 학습을 향상시킨다.
• 이론적 분석을 통해 두 실현의 노이즈가 평균이 0이고 상관이 없을 경우, 제안된 훈련 방식이 지도 학습과 동치임을 증명하며, Noise2noise가 작동하는 조건을 수학적으로 정형화한다.
• 두 번째 노이즈 실현과 예측된 이미지 사이의 L2 손실을 사용하여 네트워크를 훈련하며, 첫 번째 노이즈를 조건으로 두 번째 노이즈의 조건부 기대값이 0이라는 가정을 한다.
• 훈련 후, 공감 네트워크는 쌍화된 데이터가 필요 없이 단일 노이즈 입력만으로 추론 모드에서 배포할 수 있다.
• 기존 복원 워크플로우와 호환되며, 노이즈 있는 입력을 공감 네트워크의 출력으로 매핑하는 별도의 네트워크를 지도 학습 방식으로 훈련시킬 수 있다.

실험 결과

연구 질문

• RQ1 Noise2noise 훈련이 청소된 영상로 지도 학습과 동치가 되는 조건은 무엇인가?
• RQ2 동일한 이미지의 두 개의 독립적 노이즈 실현을 효과적으로 활용하여 노이즈 제거 성능을 향상시킬 수 있는 공감 손실 함수를 설계할 수 있는가?
• RQ3 제안된 방법이 도전적인 노이즈 특성을 지닌 실제 의료 영상 데이터셋에서 Noise2noise와 같은 기존 비지도 노이즈 제거 방법을 능가하는가?
• RQ4 저선량 및 부족 샘플링 영상에서 노이즈를 감소시키면서도 미세한 해부학적 구조와 질감을 유지할 수 있는가?
• RQ5 제안된 프레임워크는 스캐너 수집 프로토콜의 변경 없이 임상 환경에 도입 가능한가?

주요 결과

• 저선량 CT 챌린지 데이터셋에서 제안된 방법은 비지도 방법 중에서 가장 높은 SSIM(87.1 ± 3.4)을 기록했으며, Noise2noise(84.2 ± 4.6)를 능가하고, 지도 학습 기반 Noise2clean(87.7 ± 3.3)과 유사한 성능을 달성했다.
• CT 데이터에서 RMSE는 18.4 ± 2.9 HU를 기록했으며, Noise2noise(17.4 ± 3.2)보다 略히 높았지만, 소형 병변과 질감의 보존 성능이 뛰어나게 나타났다.
• 4배 부족 샘플링이 적용된 뉴욕 대학교(MRI) 데이터셋에서 제안된 방법은 가장 낮은 RMSE(23.4 ± 4.2 × 10⁻³)와 가장 높은 SSIM(95.2 ± 0.6)를 기록했으며, Noise2noise(RMSE: 27.7 ± 6.3, SSIM: 94.6 ± 1.3)를 능가했다.
• 시각적 비교 결과, 제안된 방법은 제로 필링, SENSE, Noise2noise보다 더 효과적으로 구조적 세부 정보를 유지하고 노이즈 및 잡음을 감소시켰으며, 지도 학습 기반 Noise2clean의 결과와 매우 유사했다.
• 이 방법은 CT의 국소 노이즈와 MR의 비국소 부족 샘플링 잡음 모두에 대해 강건성을 보이며, 다양한 노이즈 모델에 광범위하게 적용 가능함을 시사했다.
• 공감 네트워크는 노이즈 상관관계로 인한 잡음을 정규화를 통해 효과적으로 제거하여, 노이즈 독립성 조건이 부분적으로 위반되더라도 높은 영상 품질을 유지했다.