[논문 리뷰] Convergent Data-driven Regularizations for CT Reconstruction

Samira Kabri, Alexander Auras외 5명|arXiv (Cornell University)|2022. 12. 14.

Medical Imaging Techniques and Applications인용 수 3

한 줄 요약

이 논문은 훈련 데이터로부터 최적의 특이값 필터(SVD 기반)와 푸리에 도메인 필터(FFT 기반)를 학습하여 병렬 촬영(computed tomography, CT) 재구성에 데이터 기반 선형 정규화 방법을 제안한다. 적절한 조건 하에서 두 접근 방식의 수렴성을 증명하고, 학습된 필터가 훈련 데이터보다 더 매끄럽고 정확한 재구성을 제공함을 보이며, 수치적 검증을 통해 고전적 방법보다 뛰어난 성능을 보임을 입증한다. 특히 저소음 수준에서 뛰어난 성능을 발휘한다.

ABSTRACT

The reconstruction of images from their corresponding noisy Radon transform is a typical example of an ill-posed linear inverse problem as arising in the application of computerized tomography (CT). As the (naive) solution does not depend on the measured data continuously, regularization is needed to re-establish a continuous dependence. In this work, we investigate simple, but yet still provably convergent approaches to learning linear regularization methods from data. More specifically, we analyze two approaches: One generic linear regularization that learns how to manipulate the singular values of the linear operator in an extension of our previous work, and one tailored approach in the Fourier domain that is specific to CT-reconstruction. We prove that such approaches become convergent regularization methods as well as the fact that the reconstructions they provide are typically much smoother than the training data they were trained on. Finally, we compare the spectral as well as the Fourier-based approaches for CT-reconstruction numerically, discuss their advantages and disadvantages and investigate the effect of discretization errors at different resolutions.

연구 동기 및 목표

• 비정상적인 CT 재구성 문제에 대해 수렴성이 보장되는 데이터 기반 선형 정규화 방법을 개발한다.
• 학습된 스펙트럼 도메인 및 푸리에 도메인 필터가 노이즈가 있는 라돈 데이터로부터 재구성을 어떻게 안정화할 수 있는지 조사한다.
• 다양한 이산화 수준에서 학습된 정규화자들의 수렴 행동과 과도한 매끄러움 효과를 분석한다.
• 정확도, 매끄러움, 노이즈 및 이산화 오차에 대한 내성 등 측면에서 SVD 기반과 FFT 기반 정규화의 성능을 비교한다.

제안 방법

• 훈련 데이터를 사용하여 라돈 연산자의 특이값 σn에 대한 최적의 정규화 함수 gδ(σn)를 학습하고, 노이즈 δ → 0일 때 수렴성을 보장한다.
• 콤���트 선형 연산자 A의 특이값 전개를 통해 최적의 스펙트럼 정규화 함수 gδ(σ)에 대한 닫힌 형태의 표현식을 유도한다.
• 유사한 학습 프레임워크를 푸리에 도메인에 적용하여 필터드 백프로젝션(FBP) 방법을 위한 최적의 필터 ρδ(r)를 학습한다.
• 빠른 푸리에 변환(FFT)을 활용하여 라돈 변환의 효율적이고 세밀한 이산화를 실현하고 주파수 도메인에서 필터를 계산한다.
• 합성 및 실제 CT 데이터(LodoPaB-CT)를 대상으로 수치 실험을 수행하여 노이즈 수준과 해상도에 따른 성능을 평가한다.
• 다양한 각도 및 공간 샘플링 속도에서 결과를 비교함으로써 이산화 오차를 분석한다.

실험 결과

연구 질문

• RQ1 유한한 데이터로부터 학습된 데이터 기반 선형 정규화 방법이 노이즈 수준 δ → 0일 때도 수렴성을 보장할 수 있는가?
• RQ2 학습된 스펙트럼 도메인 및 푸리에 도메인 필터는 재구성 정확도와 매끄러움 측면에서 어떻게 비교되는가?
• RQ3 이산화 해상도가 학습된 정규화자들의 성능과 수렴성에 어떤 영향을 미치는가?
• RQ4 왜 FFT 기반 필터는 특히 저소음 수준에서 이론적 연속 해와 크게 다를까?
• RQ5 학습된 정규화자가 합성 타원과 실제 환자 CT 스캔 등 다양한 데이터 분포 간에 얼마나 잘 일반화되는가?

주요 결과

• 특이값 조작 기반의 학습된 스펙트럼 정규화 방법은 표준 가정 하에서 수렴성이 보장되며, δ → 0일 때 수렴이 보장된다.
• 학습된 푸리에 도메인 필터(FBP용)는 연속 극한에서 수렴성을 입증하지만, 이산화 오차로 인해 성능이 심각하게 저하되며, 특히 저소음 수준에서 두드러진다.
• 학습된 필터를 사용한 재구성은 훈련 데이터보다 훨씬 더 매끄럽다. 이는 정규화로 인한 본질적인 과도한 매끄러움 효과를 시사한다.
• 특히 저소음 수준(δ = 0.005)에서 SVD 기반 접근이 FFT 기반 접근보다 정확도에서 뛰어나며, 이산화 아티팩트가 적다.
• 정규화자가 테스트 데이터 분포와 유사한 데이터에서 학습된 경우 데이터 간 일반화 성능이 향상되며, LoDoPaB-CT에서 유사한 데이터로 학습된 경우 성능 향상이 뚜렷하다.
• 수치 결과는 더 높은 공간 및 각도 해상도에서 최적의 필터가 안정적이고 매끄러운 형태로 수렴함을 확인하며, 더 높은 샘플링에 대한 강건성을 시사한다.