[논문 리뷰] DECT-MULTRA: Dual-Energy CT Image Decomposition With Learned Mixed Material Models and Efficient Clustering

Zhipeng Li, Saiprasad Ravishankar외 2명|arXiv (Cornell University)|2019. 01. 01.

Advanced X-ray and CT Imaging참고 문헌 26인용 수 4

한 줄 요약

이 논문은 소음과 잡음 문제를 줄이고 경계 및 미세 구조를 유지하면서 재료 영상 품질을 향상시키기 위해 펜라티드 가중 최소 제곱(PWLS)과 학습된 혼합 스퍼스리징 변환의 유니온(MULTRA)을 조합한 새로운 영상 도메인 이중에너지 CT 분해 방법인 DECT-MULTRA를 제안한다. 사전에 학습된 공통 재료 및 교차 재료 변환을 통해 효율적이고 폐쇄형 최적화를 가능하게 하여 소음과 잡음을 감소시키며, 기존 방법들보다 XCAT 필름 및 임상적 두개부 데이터에서 뛰어난 성능을 발휘한다.

ABSTRACT

Dual energy computed tomography (DECT) imaging plays an important role in advanced imaging applications due to its material decomposition capability. Image-domain decomposition operates directly on CT images using linear matrix inversion, but the decomposed material images can be severely degraded by noise and artifacts. This paper proposes a new method dubbed DECT-MULTRA for image-domain DECT material decomposition that combines conventional penalized weighted-least squares (PWLS) estimation with regularization based on a mixed union of learned transforms (MULTRA) model. Our proposed approach pre-learns a union of common-material sparsifying transforms from patches extracted from all the basis materials, and a union of cross-material sparsifying transforms from multi-material patches. The common-material transforms capture the common properties among different material images, while the cross-material transforms capture the cross-dependencies. The proposed PWLS formulation is optimized efficiently by alternating between an image update step and a sparse coding and clustering step, with both of these steps having closed-form solutions. The effectiveness of our method is validated with both XCAT phantom and clinical head data. The results demonstrate that our proposed method provides superior material image quality and decomposition accuracy compared to other competing methods.

연구 동기 및 목표

• 기존 영상 도메인 DECT 분해 방법의 한계를 해결하기 위해, 영상 소음에 민감하여 소음 증폭과 잡음이 발생하는 문제를 해결하고자 한다.
• 재료 패치에서 유래한 학습된 사전 지식을 통합하여 재료 분해 정확도와 영상 품질을 향상시키고자 한다.
• 스pars리티 기반 정규화와 최적의 스퍼스리징 변환에 대응하는 영상 패치의 적응형 클러스터링을 결합한 계산적으로 효율적인 방법을 개발하고자 한다.
• 필름 데이터로 훈련된 MULTRA 모델을 실제 임상 DECT 데이터에 일반화하여 강건성과 이식 가능성을 입증하고자 한다.
• DECT-EP, DECT-TDL, DECT-ST과 같은 기존 최첨단 방법들을 능가하여 소음 감소와 경계 유지 측면에서 모두 뛰어난 성능을 발휘하고자 한다.

제안 방법

• 영상 도메인 DECT 분해를 위해 펜라티드 가중 최소 제곱(PWLS) 공식을 사용하며, 학습된 혼합 스퍼스리징 변환의 유니온(MULTRA)을 통한 정규화를 통합한다.
• 공통 재료 스퍼스리징 변환은 개별 기초 재료(예: 물, 뼈)의 패치에서 사전에 학습되며, 재료 영상 간의 공통 구조적 특성을 캡처한다.
• 교차 재료 스퍼스리징 변환은 다중 재료 패치에서 학습되어 서로 다른 재료 간의 상호의존성을 모델링한다.
• 최적화 과정 중 클러스터링을 통해 영상 패치가 가장 적합한 스퍼스리징 변환에 적응적으로 할당되어, 민첩하고 데이터 기반의 스퍼스리티 표현을 가능하게 한다.
• 최적화 과정은 영상 업데이트 단계와 희박 코딩 및 클러스터링 단계를 번갈아 수행하며, 둘 다 폐쇄형 해법을 가지므로 계산 효율성이 보장된다.
• 방법은 직접 행렬 역행렬을 사용하여 초기화되며, 수렴성과 안정성을 향상시키기 위해 DECT-EP 및 DECT-TDL 결과를 추가로 활용하여 보완된다.

실험 결과

연구 질문

• RQ1 학습된 혼합 스퍼스리징 변환의 유니온이 DECT 영상 분해에서 공통 및 교차 재료 간의 상관관계를 효과적으로 모델링할 수 있는가?
• RQ2 제안된 MULTRA 기반 정규화가 영상 도메인 DECT에서 비적응형 및 사전 자료 기반 방법에 비해 소음과 잡음을 현저히 줄이는가?
• RQ3 디지털 필름 데이터로 사전 훈련된 모델이 재학습 없이 실제 임상 DECT 데이터에 효과적으로 일반화될 수 있는가?
• RQ4 DECT-MULTRA는 소형 혈관 및 골수 세부 구조와 같은 미세 해부학적 구조를 보존하는 데서 DECT-EP, DECT-TDL, DECT-ST에 비해 성능이 뛰어나게 되는가?
• RQ5 고성능 분해를 저비용 계산으로 달성하면서도 영상 소음에 강건성을 유지할 수 있는가?

주요 결과

• DECT-MULTRA는 직접 행렬 역행렬과 DECT-EP에 비해 재료 경계에서 소음과 잡음을 크게 감소시켰으며, 특히 저대비 영역에서 두드러진다.
• DECT-EP와 직접 행렬 역행렬이 놓친, 요오드를 포함한 동맥에 해당하는 약간의 어두운 점을 DECT-MULTRA는 성공적으로 유지하였다.
• 임상 데이터의 확대 영역에서 확인된 linе에 따르면, DECT-TDL에 비해 연조직 구조, 특히 골수의 경계가 더 선명하게 표현되었다.
• XCAT 필름에서 훈련된 MULTRA 모델은 임상 두개부 DECT 데이터로의 일반화가 잘 되었으며, 강력한 이식 가능성과 강건성을 입증하였다.
• 정량적 평가에서 DECT-MULTRA는 DECT-EP, DECT-TDL, DECT-ST보다 소음 감소와 구조 보존 측면에서 모두 뛰어난 성능을 보였으며, 더 높은 분해 정확도를 확보하였다.
• 폐쇄형 최적화 단계 덕분에 효율적인 계산이 가능하여, 고도로 발전된 정규화 프레임워크임에도 불구하고 실용적인 임상 적용에 적합하다.