[논문 리뷰] Deep Learning Based Computed Tomography Whys and Wherefores

Shabab Bazrafkan, Vincent Van Nieuwenhove외 3명|arXiv (Cornell University)|2019. 04. 08.

Medical Imaging Techniques and Applications참고 문헌 46인용 수 8

한 줄 요약

이 논문은 저선량 CT 재구성에 대한 딥러닝(DL) 기반 접근법을 조사하며, 재구성 후 이미지 노이즈 제거를 수행하는 데이터 기반 방법과 시노그램을 직접 이미지로 매핑하는 엔드 투 엔드 모델을 비교한다. 이는 특히 모델 기하학이 핵심이 되는 불안정한 저선량 상황에서 해부학적 세부 정보를 더 잘 유지하고 과적합을 줄일 수 있기 때문에 후자의 접근법이 더 뛰어난 결과를 낸다.

ABSTRACT

This is an article about the Computed Tomography (CT) and how Deep Learning influences CT reconstruction pipeline, especially in low dose scenarios.

연구 동기 및 목표

• 저선량 CT 재구성 향상에 있어 딥 네트워크(DNNs)의 역할을 분석하고, 노이즈와 기하학적 왜곡 등의 과제를 해결한다.
• 주요 데이터 기반 접근법인 재구성 후 노이즈 제거와 엔드 투 엔드 시노그램-이미지 매핑을 비교한다.
• 저선량 CT 영상에서 모델 기반 방법과 순수 데이터 기반 방법의 장단점을 평가한다.
• 실제 구현 추세를 바탕으로 DL 기반 CT 재구성의 실용적 타당성과 임상적 관련성을 평가한다.
• 핵심 설계 원칙과 아키텍처의 상호 교환 관계를 규명함으로써 CT에서 최적의 DL 적용을 안내한다.

제안 방법

• 기준 비교를 위해 필터드 백프로젝션(FBP)과 분석적 재구성 방법을 사용한다.
• 딥 네트워크(DNNs)를 적용하여 재구성된 이미지를 노이즈 제거하는 후처리 또는 원시 시노그램 데이터를 직접 이미지 공간으로 매핑하는 엔드 투 엔드 학습을 수행한다.
• 학습 안정화를 위해 Adam, 배치 정규화, ReLU 활성화 함수, 스킵 연결 등의 표준 딥러닝 최적화 기법을 활용한다.
• 컨volutional 네트워크(CNNs)의 효율적 구현과 훈련을 위해 Tensorflow, PyTorch, MXNet 등의 기존 DL 프레임워크를 활용한다.
• 고정밀 영상 재구성 향상을 위해 평균 제곱오차(MSE)와 인지 유사도 기반 손실 함수를 도입한다.
• CT 물리학의 사전 지식(예: 시노그램 구조, 빔 기하학)을 네트워크 설계에 통합하여 일반화 능력을 향상시키고 과적합을 줄인다.

실험 결과

연구 질문

• RQ1 저선량 CT에서 데이터 기반 딥러닝 방법은 전통적인 모델 기반 재구성 방법보다 어떻게 다를까?
• RQ2 엔드 투 엔드 딥러닝 모델이 재구성 후 노이즈 제거 접근법에 비해 가지는 장점과 한계는 무엇인가?
• RQ3 CT 영상 기하학의 물리적 지식을 통합할 경우 저선량 상황에서 왜 재구성 품질이 향상되는가?
• RQ4 DNN은 저선량 CT에서 노이즈와 기하학적 왜곡을 얼마나 줄이며, 진단에 필요한 영상 세부 정보를 얼마나 잘 유지하는가?
• RQ5 고해상도 데이터를 처리하는 임상 CT 시스템에 엔드 투 엔드 딥러닝 모델을 구현할 때의 실용적 과제는 무엇인가?

주요 결과

• 재구성 후 노이즈 제거 접근법이 엔드 투 엔드 학습보다 저선량 CT에서 더 뛰어나며, 해부학적 세부 정보를 더 잘 유지하고 과적합을 줄이기 때문이다.
• 엔드 투 엔드 모델은 입력 해상도가 증가함에 따라 모델 크기가 기하급수적으로 증가하여 과적합 위험이 커지고 실세계 구현이 복잡해진다.
• 엔드 투 엔드 모델은 CT의 기본 물리적 기하학을 간과하므로, 특히 이러한 제약 조건이 필수적인 불안정한 저선량 상황에서 문제가 된다.
• CT 물리학을 네트워크에 통합한 모델 기반 딥러닝 방법이 영상 품질 유지와 기하학적 왜곡 감소에 더 효과적이다.
• 산업계에서는 노이즈 제거 접근법을 선호하며, 첫 번째 상용화된 DL 기반 저선량 CT 재구성 시스템 역시 투과 전류 감소를 보완하는 데 초점을 맞추고 있다.
• DL이 CT에서 성공할 수 있었던 이유는 데이터에서 복잡한 노이즈와 기하학적 왜곡 패tern을 학습할 수 있었고, 특히 물리적 사전 지식과 결합함으로써 임상적으로 유의미한 영상 품질 향상을 이끌어냈기 때문이다.