[논문 리뷰] CT Image Denoising with Perceptive Deep Neural Networks

Qingsong Yang, Pingkun Yan외 2명|arXiv (Cornell University)|2017. 02. 22.

Medical Imaging Techniques and Applications참고 문헌 6인용 수 57

한 줄 요약

본 논문은 사전 학습된 VGG 네트워크의 특징으로 안내되는 CNN을 사용하여 저선량 CT에 대한 지각적 손실 기반 노이즈 제거를 소개하고, 픽셀 단위 손실보다 구조 보존을 향상시킨다.

ABSTRACT

Increasing use of CT in modern medical practice has raised concerns over associated radiation dose. Reduction of radiation dose associated with CT can increase noise and artifacts, which can adversely affect diagnostic confidence. Denoising of low-dose CT images on the other hand can help improve diagnostic confidence, which however is a challenging problem due to its ill-posed nature, since one noisy image patch may correspond to many different output patches. In the past decade, machine learning based approaches have made quite impressive progress in this direction. However, most of those methods, including the recently popularized deep learning techniques, aim for minimizing mean-squared-error (MSE) between a denoised CT image and the ground truth, which results in losing important structural details due to over-smoothing, although the PSNR based performance measure looks great. In this work, we introduce a new perceptual similarity measure as the objective function for a deep convolutional neural network to facilitate CT image denoising. Instead of directly computing MSE for pixel-to-pixel intensity loss, we compare the perceptual features of a denoised output against those of the ground truth in a feature space. Therefore, our proposed method is capable of not only reducing the image noise levels, but also keeping the critical structural information at the same time. Promising results have been obtained in our experiments with a large number of CT images.

연구 동기 및 목표

• CT에서 방사선량 감소를 유도하기 위해 과도하게 매끄럽게 만들지 않고 저선량 촬영 데이터를 노이즈 제거한다.
• 픽셀 단위 MSE 대신 지각적 손실을 사용하는 CNN 노이즈 제거 프레임워크를 제안한다.
• 지각적 손실이 구조적 세부 정보를 보존하고 정성적 영상 품질을 향상시킴을 입증한다.
• 전통적 방법 및 표준 CNN 기반 노이즈 제거와의 비교를 통해 지각적 이점을 평가한다.

제안 방법

• 3x3 커널을 가진 8-layer CNN을 사용하여 노이즈 제거를 학습한다.
• 사전 학습된 VGG 네트워크의 특징 맵을 기반으로 한 지각적 재구성 손실을 정의한다.
• 손실은 노이즈 제거 출력과 실제 정답 영상의 VGG 특징 맵 간의 MSE로 계산된다(phi_i 항).
• 지각 보조로 VGG 레이어 relu1_1, relu3_1, relu3_4를 실험한다(CNN-VGG11, CNN-VGG31, CNN-VGG34).
• CNN-MSE로 학습된 초기화에서 CNN-VGG 네트워크를 시작하고 미세 조정한다.
• 다른 노이즈 인덱스 및 재구성 방법(FBP vs MBIR/VEO)을 사용한 시체 CT 데이터로 학습한다.
• 학습 후 각 이미지당 5초 미만의 속도로 노이즈 제거를 달성한다.

실험 결과

연구 질문

• RQ1 지각적 특징 기반 손실이 픽셀 단위 손실에 비해 CT 노이즈 제거 품질을 향상시킬 수 있는가?
• RQ2 저선량 CT에서 노이즈를 감소시키면서 진단에 필요한 구조적 세부 정보를 지각적 손실이 보존하는가?
• RQ3 이미지 선명도와 실제 정답과의 유사성 측면에서 CNN-VGG 변형 간의 비교는 어떠한가?
• RQ4 지각적 CNN이 정량적 지표 및 시각적 품질 면에서 BM3D 및 이전 CNN 접근법과 경쟁력이 있는가?

주요 결과

• 지각적 손실로 학습된 CNN 모델(CNN-VGG31, CNN-VGG34)은 CNN-MSE보다 시각적 디테일과 대비가 더 우수하다.
• CNN-MSE가 일부 지각적 변형보다 더 높은 PSNR/SSIM을 달성하지만, 지각적 변형은 시각적으로 더 매력적이고 세부를 보존한다.
• CNN-VGG31 및 CNN-VGG34는 ground-truth VEO10NI에 비례한 병소의 경계 묘사를 가장 잘 제공하면서 전체 영상 외관을 개선한다.
• 정량 지표상 CNN-MSE가 PSNR/SSIM에서 지각적 변형보다 우수하지만, 지각적 변형이 영상의 구조를 더 잘 보존한다.
• BM3D는 영상에 따라 가변적인 성능을 보이며 일부 매끄럽게 처리되고 잔여 인공물이 생긴다.
• 표 1은 PSNR/SSIM를 보고한다: FBP30NI 27.1544/0.8018; CNN-MSE 31.1135/0.9351; CNN-VGG11 31.1239/0.9348; CNN-VGG31 30.6462/0.9260; CNN-VGG34 30.2154/0.9159; BM3D 28.7405/0.9026.