[논문 리뷰] Deep Learning for Low-Dose CT Denoising

Maryam Gholizadeh-Ansari, Javad Alirezaie외 1명|arXiv (Cornell University)|2019. 02. 25.

Medical Imaging Techniques and Applications참고 문헌 38인용 수 4

한 줄 요약

이 논문은 확장된 컨볼루션, 잔차 학습, 훈련 불가능한 에지 검출 레이어, 평균 제곱 오차(MSE)와 인지 손실의 하이브리드 손실 함수를 조합한 딥 러닝 프레임워크를 제안한다. 이는 저선량 CT 노이즈 제거를 위한 것으로, 과도한 매끄러움과 격자 무늬 아티팩트를 줄이며 미세한 질감과 에지를 유지함으로써 영상 품질을 크게 향상시키며, 시뮬레이션 및 실제 저선량 CT 데이터셋에서 최신 기술 수준의 성능을 달성한다.

ABSTRACT

Low-dose CT denoising is a challenging task that has been studied by many researchers. Some studies have used deep neural networks to improve the quality of low-dose CT images and achieved fruitful results. In this paper, we propose a deep neural network that uses dilated convolutions with different dilation rates instead of standard convolution helping to capture more contextual information in fewer layers. Also, we have employed residual learning by creating shortcut connections to transmit image information from the early layers to later ones. To further improve the performance of the network, we have introduced a non-trainable edge detection layer that extracts edges in horizontal, vertical, and diagonal directions. Finally, we demonstrate that optimizing the network by a combination of mean-square error loss and perceptual loss preserves many structural details in the CT image. This objective function does not suffer from over smoothing and blurring effects caused by per-pixel loss and grid-like artifacts resulting from perceptual loss. The experiments show that each modification to the network improves the outcome while only minimally changing the complexity of the network.

연구 동기 및 목표

• 저선량 CT 스캔에서 증가하는 노이즈로 인한 방사선 위험 증가와 진단 정확도 저하 문제를 해결하기 위해.
• 시노그램 데이터에 접근할 필요 없이 빠르고 제조사에 종속되지 않는 영상 영역 노이즈 제거 방법을 개발하기 위해.
• 과도한 매끄러움과 아티팩트를 최소화하면서도 구조적 세부 사항과 에지를 유지함으로써 영상 품질을 향상시키기 위해.
• 인지 손실과 MSE 손실을 조합하여 인지적 정확성과 픽셀 수준 정확성의 균형을 맞추기 위해.
• 확장된 컨볼루션, 잔차 연결, 에지 검출 등의 아키텍처 혁신이 실제 및 시뮬레이션 저선량 CT 자료에서 효과적으로 작용하는지 입증하기 위해.

제안 방법

• 다양한 확장률을 가진 확장된 컨볼루션을 사용하여的感受 영역을 확장하고, 네트워크 깊이를 늘리지 않고도 더 많은 문맥 정보를 포착한다.
• 단순 연결을 통한 잔차 학습을 적용하여 훈련을 용이하게 하고, 층 간 특징 표현을 유지한다.
• 소벨 연산자에 영감을 얻어 수평, 수직, 대각선 에지를 검출하는 훈련 불가능한 에지 검출 레이어를 도입하여 경계 유지 성능을 향상시킨다.
• 픽셀 수준 정확성 확보를 위한 평균 제곱 오차(MSE)와 진짜 영상과의 구조적 유사성 확보를 위한 인지 손실을 조합한 하이브리드 손실 함수를 최적화에 사용한다.
• 저선량 및 정상선량 CT 영상 쌍을 기반으로 엔드 투 엔드로 네트워크를 훈련시키며, 저선량 입력으로부터 고품질 영상을 복원하는 것을 목표로 한다.
• PSNR와 SSIM을 사용한 정량적 비교를 위해 시뮬레이션된 폐, 실제 돼지 새끼, 펌프 흉부 스캔 세 가지 데이터셋에서 모델을 평가한다.

실험 결과

연구 질문

• RQ1 확장된 컨볼루션과 잔차 학습이 계산 효율성을 유지하면서도 저선량 CT 노이즈 제거 성능을 향상시킬 수 있는가?
• RQ2 훈련 불가능한 에지 검출 레이어 통합이 저선량 CT 영상에서 에지 유지 성능을 향상시키는가?
• RQ3 MSE와 인지 손실을 병합한 손실 함수가 MSE로 인한 과도한 매끄러움과 인지 손실로 인한 격자 무늬 아티팩트를 완화할 수 있는가?
• RQ4 실제 및 시뮬레이션 데이터에서 BM3D, CNN200, 이전 기반 모델과 비교해 본다면 본 연구 방법의 성능은 어떠한가?
• RQ5 아키텍처 수정 사항이 저선량 CT 노이즈 제거에서 시각적 및 정량적 영상 품질 향상에 얼마나 기여하는가?

주요 결과

• 제안된 DRL-E-MP 모델은 돼지 새끼 데이터셋에서 최고의 PSNR(44.12)와 SSIM(0.9807)을 기록하여 BM3D, CNN200, 이전 기반 방법들을 압도했다.
• 흉부 펌프 데이터셋에서 DRL-E-MP는 PSNR 31.50과 SSIM 0.6381을 기록했으며, MSE 또는 인지 손실만 사용한 모델들보다 뚜렷하게 뛰어난 성능을 보였다.
• 시각적 결과 분석에서 DRL-E-MP는 MSE만으로 훈련된 모델의 과도한 매끄러움과 인지 손실만으로 훈련된 모델의 격자 무늬 아티팩트를 피하면서도 더 나은 미세 질감과 에지 유지 성능을 보였다.
• 에지 검출 레이어 도입으로 에지 선명도가 향상되었으며, 이는 흉부 데이터셋에서 DRL과 DRL-E-M 간의 시각적 비교로 확인되었다.
• 하이브리드 손실 함수(MSE + 인지 손실)는 가장 균형 잡힌 성능을 보였으며, 정량적 지표를 훼손하지 않으면서도 뛰어난 시각적 품질의 영상을 생성했다.
• 각 아키텍처 구성 요소—확장된 컨볼루션, 잔차 학습, 에지 검출, 병합된 손실—는 모델 복잡도 증가를 최소화하면서도 성능 향상에 점진적으로 기여했다.