[논문 리뷰] Data Consistent Artifact Reduction for Limited Angle Tomography with Deep Learning Prior

Yixing Huang, Alexander Preuhs외 4명|arXiv (Cornell University)|2019. 08. 19.

Medical Imaging Techniques and Applications참고 문헌 29인용 수 6

한 줄 요약

이 논문은 한정된 입사각 콘빔 CT에 대한 데이터 일관성 있는 아티팩트 감소(DCAR) 방법을 제안한다. 이 방법은 딥 러닝 사전 지식과 반복 재구성 기반으로 데이터 일관성을 강제한다. 누락된 각도 범위에 대해 U-Net을 사용해 사전 이미지를 생성하고, 총 변동성 정규화를 적용한 데이터 일관성 있는 SART 알고리즘을 적용함으로써, 상태의 기술인 U-Net 방법 대비 노이즈가 없는 조건에서 10% 이상, 노이즈가 있는 조건에서 24% 이상 RMSE를 감소시킨다.

ABSTRACT

Robustness of deep learning methods for limited angle tomography is challenged by two major factors: a) due to insufficient training data the network may not generalize well to unseen data; b) deep learning methods are sensitive to noise. Thus, generating reconstructed images directly from a neural network appears inadequate. We propose to constrain the reconstructed images to be consistent with the measured projection data, while the unmeasured information is complemented by learning based methods. For this purpose, a data consistent artifact reduction (DCAR) method is introduced: First, a prior image is generated from an initial limited angle reconstruction via deep learning as a substitute for missing information. Afterwards, a conventional iterative reconstruction algorithm is applied, integrating the data consistency in the measured angular range and the prior information in the missing angular range. This ensures data integrity in the measured area, while inaccuracies incorporated by the deep learning prior lie only in areas where no information is acquired. The proposed DCAR method achieves significant image quality improvement: for 120-degree cone-beam limited angle tomography more than 10% RMSE reduction in noise-free case and more than 24% RMSE reduction in noisy case compared with a state-of-the-art U-Net based method.

연구 동기 및 목표

• 딥 러닝 기반의 한정된 입사각 CT 재구성 방법이 일반화 능력이 떨어지고 노이즈에 민감한 문제를 해결한다.
• 측정된 프로젝션 데이터와의 일관성이 없는 직접적인 이미지 간 딥 러닝 네트워크의 한계를 극복한다.
• 측정된 영역에서는 데이터 일관성을 유지하면서, 누락된 각도 영역에만 딥 러닝 사전 지식을 통합하여 이미지 품질을 향상시킨다.
• 학습된 사전 지식과 전통적인 반복 재구성 방식을 융합한 하이브리드 모델을 통해 포isson 노이즈 및 예측되지 않은 데이터에 대한 강건성을 향상시킨다.
• 노이즈가 없는 경우와 노이즈가 있는 경우 모두에서 최신의 U-Net 기반 방법보다 뛰어난 재구성 품질을 달성한다.

제안 방법

• 누락된 각도 영역의 구조적 정보를 추정하기 위해, 한정된 입사각 FBP 재구성 결과를 기반으로 U-Net을 훈련시어 사전 이미지를 생성한다.
• 측정된 프로젝션 데이터와의 일관성을 강제하는 전통적인 SART 기반 반복 재구성 알고리즘을 적용하여 확보된 각도 영역에서 재구성을 수행한다.
• U-Net으로 생성된 사전 이미지를 재구성 과정에 통합하여 누락된 각도 영역에서의 해를 안내한다.
• SART 알고리즘에서 총 변동성 정규화(wTV)와 소프트 스레시홀딩을 사용하여 노이즈를 억제하고 경계를 유지한다.
• 최종 재구성 이미지가 측정된 프로젝션과 일치하면서, 정확도가 떨어지는 딥 러닝 예측으로 인한 아티팩트를 최소화한다.
• 반복 프레임워크 내에서 데이터 일관성 강제와 사전 기반 이미지 업데이트를 번갈아가며 재구성을 최적화한다.

실험 결과

연구 질문

• RQ1 딥 러닝 사전 지식을 데이터 일관성 제약 조건과 결합함으로써, 한정된 입사각 단층촬영에서 이미지 품질을 향상시킬 수 있는가?
• RQ2 측정된 프로젝션 데이터와의 데이터 일관성 강제는 딥 러닝 기반 재구성의 노이즈에 대한 강건성에 어떤 영향을 미치는가?
• RQ3 직접적인 이미지 간 딥 러닝 학습 방식에 비해, 제안된 방법은 예측되지 않은 환자 데이터에 대해 얼마나 잘 일반화되는가?
• RQ4 사전 학습(누락된 각도에서)과 데이터 일관성(측정된 각도에서)을 분리함으로써, 직접적인 이미지 간 학습에 비해 아티팩트와 노이즈를 얼마나 효과적으로 감소시킬 수 있는가?
• RQ5 저선량 CT에서 일반적인 실제 포isson 노이즈 조건에서 이 방법은 어떻게 성능을 발휘하는가?

주요 결과

• 노이즈가 없는 120° 콘빔 한정된 입사각 단층촬영 조건에서, DCAR는 U-Net 방법 대비 RMSE를 10% 이상 감소시켰다.
• Poisson 노이즈가 존재하는 조건에서, DCAR는 U-Net 기준선 대비 상대적 RMSE 감소율이 24% 초과를 기록했다.
• 재구성된 이미지에서 포isson 노이즈가 효과적으로 제거되었으며, 이는 시각적 비교에서 노이즈 패atters가 관찰되지 않는 것으로 확인되었다.
• 작은 기포 및 저대비 조직(예: 지방과 근육 등)과 같은 미세 구조가 DCAR 재구성에서 U-Net 출력보다 더 잘 보존되었다.
• U-Net 재구성에서 관찰된 어두운 구멍과 구조적 왜곡은 데이터 일관성 강제 덕분에 DCAR에 의해 효과적으로 수정되었다.
• 하이브리드 접근 방식은 교차 검증에서 여러 테스트 환자에 걸쳐 일관된 성능을 보이며, 예측되지 않은 환자 데이터에 대한 우수한 일반화 능력을 입증했다.