[논문 리뷰] CT Field of View Extension Using Combined Channels Extension and Deep Learning Methods

Éric Fournié, Matthias Baer‐Beck외 1명|arXiv (Cornell University)|2019. 08. 26.

Medical Imaging Techniques and Applications참고 문헌 1인용 수 7

한 줄 요약

이 논문은 먼저 외곽 심오그램 채널을 선형으로 외삽하여 각도 폭을 늘린 후, U-Net 딥러닝 모델을 사용해 확장된 영역의 아티팩트를 감소시켜 CT 영상에서 시야 범위(Field of View, FoV)를 확장하는 이단계 방법을 제안한다. 이 방법은 계산 비용이 낮으면서도 최신 기술 대비 뛰어난 영상 품질을 달성하여 비만 환자나 방사선 치료 계획과 같은 과제가 어려운 경우에도 진단 수준의 확장 재구성 가능성을 제공한다.

ABSTRACT

This paper proposes a method to extend the field of view of computed tomography images. In a first step, the field of view is increased by extrapolating linearly the outer channels in the sinogram space. The modified sinogram is then used to reconstruct extended field of view (EFoV) images containing artifacts due to the channels extension. In a second step, those artifacts are reduced by a deep learning network in image space. The proposed method has been evaluated on a collection of clinical scans. The resulting volumes have been checked for consistency and plausibility and compared to an existing state of the art EFoV method.

연구 동기 및 목표

• 고정된 스캔 시야 범위(SFoV) 외부의 해부학적 영역을 아티팩트 없이 재구성할 수 없는 CT 스캐너의 한계를 해결하기 위해.
• 원래 S FoV 영역의 진단 품질을 유지하면서도 계산 비용이 낮은 방법을 개발하여 FoV를 확장하기 위해.
• 부분적인 투사 데이터로 인해 발생하는 아티팩트를 딥러닝을 통해 감소시키기 위해.
• HDFoV와 같은 기존 최신 기술을 초월하여 임상 재구성에서 영상의 현실감과 일관성을 향상시키기 위해.

제안 방법

• 방법은 먼저 심오그램을 채널 방향으로 외곽 채널을 0 방향으로 선형 외삽하여 각도 폭을 EFoV/SFoV 배수로 증가시킨다.
• 확장된 심오그램에 필터드 뒤집힘(Filtered Backprojection, FBP)을 적용하여 아티팩트가 포함된 초기 확장 시야 범위(Extended FoV, EFoV) 영상을 생성한다.
• U-Net 딥러닝 네트워크를 학습시켜 아티팩트가 포함된 EFoV 영상에서 더 깔끔하고 현실적인 버전으로 매핑하기 위해, 구조적 및 픽셀 단위의 차이를 최소화한다.
• 네트워크 출력은 입력 EFoV 영상의 강도 분포를 따라 정규화되어 S FoV 영역을 유지하고 SFoV/EFoV 경계에서의 일관성을 확보한다.
• 학습은 원본 임상 스캔과 해당 아티팩트 영향을 받은 EFoV 재구성 영상의 쌍으로 이루어지며, 손실 함수는 EFoV 영역에서만 계산되며 DSSIM과 평균 제곱오차의 가중합으로 구성된다.
• 네트워크 출력의 S FoV 영역는 FBP 재구성에서의 해당 S FoV 영역로 대체되어 진단적으로 중요한 해부학적 구조의 왜곡을 방지한다.

실험 결과

연구 질문

• RQ1 심오그램 채널의 선형 외삽과 이후 딥러닝 기반 아티팩트 보정이 기존 방법보다 더 높은 품질의 확장 시야 범위 CT 재구성 가능성을 제공하는가?
• RQ2 확장된 심오그램의 FBP 재구성 영상이 입력일 경우 U-Net이 CT 재구성에서 아티팩트를 어느 정도 감소시킬 수 있는가?
• RQ3 제안된 방법은 원래 스캔 시야 범위에서 진단 품질을 유지하면서도 확장된 영역에서 영상의 현실감을 향상시키는가?
• RQ4 특히 복잡한 해부학적 구조나 환자 크기 제약이 있는 경우, 지표가 없는 임상 데이터에서 이 방법의 성능은 어떠한가?

주요 결과

• 3가지의 임상 케이스 중 5개 중 3개에서 제안된 방법이 최신 기술인 HDFoV 방법보다 정성 평가에서 뛰어난 성능을 보였으며, 특히 인위적인 구조 감소와 해부학적 타당성 향상에서 유의미한 개선을 보였다.
• 케이스 1에서는 인위적인 구조가 발생하여 특정 해부학적 구조나 고대비 영역 처리에 한계가 있음을 시사했다.
• 케이스 3에서는 환자의 일부 해부학적 구조(예: 팔)를 재구성하지 못해 감지기의 각도 커버리지 외부로 연장된 구조가 있는 경우 FoV 확장에 어려움이 있음을 나타냈다.
• 이 방법은 계산 효율성과 영상 품질 사이에 균형을 이루었으며, 방사선 치료 계획 및 비만 환자 영상 촬영과 같은 임상 워크플로우에서 실용적인 활용 가능성을 확보했다.
• 강도 정규화와 axial, coronal, 그리고 sagittal 시각적 검토를 통해 U-Net이 EFoV 영역의 아티팩트를 효과적으로 감소시키면서도 SFoV 영역를 유지하는 것으로 확인되었다.