[논문 리뷰] Deep Learning Interior Tomography for Region-of-Interest Reconstruction

Yoseob Han, Jawook Gu외 1명|arXiv (Cornell University)|2017. 12. 29.

Medical Imaging Techniques and Applications참고 문헌 12인용 수 19

한 줄 요약

이 논문은 잘린 라돈 변환의 영역(null space)으로 인해 발생하는 컵핑 아티팩트를 억제하기 위해 필터링 백프로젝션(FBP)과 U-Net 기반의 합성곱 신경망을 조합한 딥러닝 프레임워크를 제안한다. 학습 가능한 아키텍처를 통해 영역 제약 조건을 강제로 구현함으로써, 상태의 기술보다 7–10 dB PSNR 향상과 함께 거의 완벽한 ROI 재구성 성능을 달성하였으며, TV 기반 방법보다 34배 빠른 속도를 확보하였다.

ABSTRACT

Interior tomography for the region-of-interest (ROI) imaging has advantages of using a small detector and reducing X-ray radiation dose. However, standard analytic reconstruction suffers from severe cupping artifacts due to existence of null space in the truncated Radon transform. Existing penalized reconstruction methods may address this problem but they require extensive computations due to the iterative reconstruction. Inspired by the recent deep learning approaches to low-dose and sparse view CT, here we propose a deep learning architecture that removes null space signals from the FBP reconstruction. Experimental results have shown that the proposed method provides near-perfect reconstruction with about 7-10 dB improvement in PSNR over existing methods in spite of significantly reduced run-time complexity.

연구 동기 및 목표

• 잘린 라돈 변환의 영역으로 인해 발생하는 심각한 컵핑 아티팩트를 해결하기 위해.
• TV 및 L-spline 정규화와 같은 반복적 정규화 방법의 높은 계산 비용을 극복하기 위해.
• 영역-중점(ROI) CT 재구성에서 세밀한 디테일과 고주파 구조를 유지하는 빠른 종단 간(end-to-end) 딥러닝 아키텍처를 개발하기 위해.
• 딥러닝이 인위적인 구조를 유도하지 않고도 영역 성분을 효과적으로 학습하고 억제할 수 있는지 검증하기 위해.
• 기존의 분석적 및 반복적 방법에 비해 뛰어난 이미지 품질과 재구성 속도를 달성하기 위해.

제안 방법

• 이 방법은 이중 단계 아키텍처를 사용한다: 먼저 잘린 시노그램에 FBP를 적용하여 초기 아티팩트 유발 이미지를 생성한다.
• 스킵 연결, 배치 정규화, 3×3 컨볼루션을 갖춘 수정된 U-Net이 FBP 출력을 정밀하게 다듬고 영역 아티팩트를 억제하는 데 사용된다.
• 네트워크의 인덕티브 바이어스와 아키텍처를 통해 암묵적으로 영역 제약 조건을 강제로 구현하며, 데이터 일관성 손실과 함께 종단 간으로 훈련된다.
• 에코더-디코더 구조는 계층적 특징을 학습하며, 평균 풀링과 언풀링을 통해 특징 맵을 다운샘플링하고 업샘플링하면서 공간 해상도를 유지한다.
• 최종 출력은 1×1 컨볼루션 레이어를 통해 최종 고품질 ROI 재구성 이미지를 생성한다.
• 훈련은 300 에포크 동안 Low-Dose CT Grand Challenge 데이터셋을 사용하며, Adam 최적화와 10⁻³에서 10⁻⁵로 변화하는 학습률 스케줄을 적용한다.

실험 결과

연구 질문

• RQ1 반복 최적화에 의존하지 않고도 딥러닝 모델이 내부 톰그래피에서 영역 아티팩트를 효과적으로 억제할 수 있는가?
• RQ2 제안된 아키텍처가 기존 방법보다 고주파 디테일, 예를 들어 에지와 텍스처를 더 잘 유지하는가?
• RQ3 분석적 및 정규화된 반복적 방법에 비해 딥러닝 모델이 PSNR 및 NMSE 측면에서 거의 완벽한 재구성에 얼마나 가까이 도달할 수 있는가?
• RQ4 TV 및 L-spline 기반 반복적 방법에 비해 제안된 방법의 계산 효율성은 임상 환경에서 어떻게 비교되는가?
• RQ5 딥 네트워크가 아키텍처와 훈련을 통해 영역 제약 조건을 암묵적으로 학습하여 명시적인 영역 투영이 필요 없도록 할 수 있는가?

주요 결과

• 제안된 방법은 PSNR 37.46 dB를 달성하여 FBP(9.41 dB), TV(30.20 dB), Lee 등(의 L-spline 방법, 27.03 dB)에 비해 7–10 dB 향상되었다.
• NMSE는 1.2994×10⁻³으로 모든 방법 중에서 가장 낮아, 뛰어난 재구성 정확도를 나타냈다.
• TV 기반 방법(슬라이스당 0.0532초 대비 1.8272초)보다 34배 빠르며, L-spline 방법(0.3438초)보다도 6배 더 빠르게 작동했다.
• 횡단면 프로파일과 오차 이미지 분석을 통해 제안된 방법이 에지와 텍스처와 같은 세밀한 디테일과 고주파 성분을 더 잘 복원하는 것으로 확인되었다.
• 네트워크는 컵핑 아티팩트와 영역 신호를 효과적으로 억제하면서도 해부학적 구조를 유지하였으며, 재구성 결과에서 인위적인 구조는 관찰되지 않았다.
• 결과적으로 딥 네트워크가 에코더-디코더 아키텍처와 데이터 기반 최적화를 통해 영역 제약 조건을 효과적으로 학습함을 검증하였다.