[논문 리뷰] Deep Convolutional Framelet Denosing for Low-Dose CT via Wavelet Residual Network

Eun‐Hee Kang, Jaejun Yoo외 1명|arXiv (Cornell University)|2017. 07. 31.

Medical Imaging Techniques and Applications참고 문헌 42인용 수 4

한 줄 요약

이 논문은 웨이블릿 잔차 네트워크(WavResNet)를 사용하여 저선량 CT에 대한 딥 컨volution 레이어 프레임렛 노이즈 제거 방법을 제안한다. 이 방법은 프레임렛 기반 노이즈 제거의 수렴 보장을 딥 러닝의 표현 능력과 융합한다. 네트워크를 다층 컨volution 레이어 프레임렛으로 해석함으로써 반복적 개선이 가능해지고, 뛰어난 노이즈 억제 성능을 달성하면서도 미세한 해부학적 문턱과 병변 세부 정보를 유지한다. 기존의 MBIR 및 FBP와 비교하여 병변 탐지 및 영상 품질 측면에서 뛰어난 성능을 보였다.

ABSTRACT

Model based iterative reconstruction (MBIR) algorithms for low-dose X-ray CT are computationally expensive. To address this problem, we recently proposed a deep convolutional neural network (CNN) for low-dose X-ray CT and won the second place in 2016 AAPM Low-Dose CT Grand Challenge. However, some of the texture were not fully recovered. To address this problem, here we propose a novel framelet-based denoising algorithm using wavelet residual network which synergistically combines the expressive power of deep learning and the performance guarantee from the framelet-based denoising algorithms. The new algorithms were inspired by the recent interpretation of the deep convolutional neural network (CNN) as a cascaded convolution framelet signal representation. Extensive experimental results confirm that the proposed networks have significantly improved performance and preserves the detail texture of the original images.

연구 동기 및 목표

• 기존의 딥 러닝 기반 저선량 CT 노이즈 제거 방법의 한계를 해결하기 위해, 이는 종종 미세한 텍스처를 복원하지 못하고 네트워크를 블랙박스로 간주하기 때문이다.
• 프레임렛 기반 노이즈 제거의 이론적 수렴 성질과 딥 네트워크의 표현 능력을 융합하기 위해.
• ReLU 비선형성을 가진 컨volution 레이어 프레임렛과 연결함으로써 수학적으로 해석 가능한 딥 러닝 아키텍처를 제공하기 위해.
• 비확장 연산자 프레임워크를 통해 반복적 개선을 가능하게 하여 병변 탐지 및 저선량 CT 영상 품질을 향상시키기 위해.
• 적절한 프레임렛 표현을 선택하여 네트워크를 특정 복원 작업에 최적화할 수 있음을 보여주기 위해.

제안 방법

• 딥 컨볼루션 신경망을 ReLU 활성화 함수를 가진 다층 컨볼루션 레이어 프레임렛으로 해석함으로써, 네트워크를 잘 정립된 수학적 프레임워크에 기반시킨다.
• 저선량 CT 영상에서 방향성 특징 학습을 향상시키고 텍스처 복원 성능을 향상시키기 위해 웨이블릿 잔차 네트워크(WavResNet)를 활용한다.
• 네트워크는 피드포워드 아키텍처와 RNN 유사 반복 버전으로 구성되며, 모두 프레임렛 노이즈 제거 프레임워크에서 유도된다.
• 반복 과정은 크라소노셀스키-망(Красносельский-Мann, KM) 알고리즘으로 모델링되며, 비확장 연산자 조건 하에서 수렴 보장이 이루어진다.
• 유한한 컨볼루션 필터와 ReLU의 특성으로 인해 네트워크의 자코비안은 유계이며, 비확장성에 기반한 이론적 수렴 증명이 가능하다.
• 신호 복원 성능 향상과 고주파 수치 유지 목적의 冗잔트 전역 변환과 연결 레이어를 사용한다.

실험 결과

연구 질문

• RQ1 딥 러닝 기반 노이즈 제거 방법이 컨볼루션 레이어 프레임렛 프레임워크를 통해 이론적으로 기반을 두어질 수 있는가?
• RQ2 프레임렛 기반 반복적 개선을 딥 네트워크에 통합할 경우, 표준 CNN과 비교해 텍스처 및 병변 유지 성능이 향상되는가?
• RQ3 네트워크가 비확장 연산자로 해석될 수 있는가? 이를 통해 반복적 노이즈 제거 과정에서 수렴 보장을 확보할 수 있는가?
• RQ4 제안된 WavResNet 기반 프레임렛 네트워크는 MBIR 및 FBP와 비교해 임상 영상 품질과 병변 탐지에서 어떻게 성능을 내는가?
• RQ5 적절한 프레임렛 표현을 선택함으로써 네트워크를 특정 복원 작업에 최적화할 수 있는가?

주요 결과

• 제안된 방법은 저선량 CT 스캔에서 병변 탐지율 73%를 달성하였으며, FBP(57%) 및 MBIR(62%)보다 유의미하게 높았고, FBP와의 비교에서 p-value 0.0412를 기록하였다.
• 시각적 및 정량적 평가를 통해 기존의 딥 러닝 방법보다 더 나은 미세한 해부학적 텍스처와 구조적 세부 정보 유지 성능을 입증하였다.
• 이론적 분석을 통해 반복적 네트워크가 비확장적이며, 크라소노셀스키-망 알고리즘 하에서 수렴함을 증명하였고, 안정적인 최적화 보장을 확보하였다.
• WavResNet 기반 아키텍처는 방향성 특징을 효과적으로 회복하고 저선량 CT 영상에서 스틸링 아티팩트를 감소시켰다.
• 2016년 AAPM 저선량 CT 그랜드 챌린지에서 두 번째로 높은 성능을 기록한 솔루션을 뛰어넘었으며, 특히 텍스처 복원 및 병변 가시성 측면에서 뛰어난 성능을 보였다.
• 광범위한 실험을 통해 네트워크가 노이즈 억제를 수행하면서도 병변 정보를 유지함을 확인하였으며, 임상적 관련성을 입증하였다.