[논문 리뷰] Deep Learning Reconstruction for 9-View Dual Energy CT Baggage Scanner

Yoseob Han, Jingu Kang외 1명|arXiv (Cornell University)|2018. 01. 04.

Medical Imaging Techniques and Applications참고 문헌 8인용 수 7

한 줄 요약

이 논문은 9개의 시야에서 정적 CT 수화물 스캐너에서 3D 재구성에 대해 이미지 공간과 시노그램 공간 학습을 결합한 이중 도메인 딥러닝 프레임워크를 제안한다. 실제 희박한 시야 데이터를 기반으로 한 수정된 U-Net 아키텍처를 사용하여 지도 없는 학습을 수행함으로써, 겹침 잡음의 정도를 크게 감소시키고 최신 기술 수준의 성능을 달성한다. NMSE 값은 80 kVp에서 0.06845, 120 kVp에서 0.05450으로 감소하여 정확한 3D 위협 탐지가 가능하다.

ABSTRACT

For homeland and transportation security applications, 2D X-ray explosive detection system (EDS) have been widely used, but they have limitations in recognizing 3D shape of the hidden objects. Among various types of 3D computed tomography (CT) systems to address this issue, this paper is interested in a stationary CT using fixed X-ray sources and detectors. However, due to the limited number of projection views, analytic reconstruction algorithms produce severe streaking artifacts. Inspired by recent success of deep learning approach for sparse view CT reconstruction, here we propose a novel image and sinogram domain deep learning architecture for 3D reconstruction from very sparse view measurement. The algorithm has been tested with the real data from a prototype 9-view dual energy stationary CT EDS carry-on baggage scanner developed by GEMSS Medical Systems, Korea, which confirms the superior reconstruction performance over the existing approaches.

연구 동기 및 목표

• 정적 CT 수화물 스캐너에서 오직 9개의 투사 시야로부터 3D 재구성에서 심각한 겹침 잡음 문제를 해결한다.
• 지상 진실 이미지가 제공되지 않는 실제 희박한 시야 데이터를 사용하는 딥러닝 기반 재구성 방법을 개발한다.
• 이미지 도메인과 시노그램 도메인에서 동시 학습을 통해 3D 이미지 품질을 향상시켜 수하물 검사에서 정확한 위협 탐지에 기여한다.
• 전통적인 FBP 및 MBIR-TV 방법의 희박한 시야 CT에서의 한계를 극복하기 위해 종단 간 딥러닝을 활용한다.
• Aviation 및 국토안보 분야에서 지속적인 수화물 검사에 적합한 실시간 3D 재구성 시스템을 실현한다.

제안 방법

• 이중 도메인(이미지 도메인 및 시노그램 도메인)에서 동시 학습하는 새로운 딥러닝 아키텍처를 제안하며, 수정된 U-Net 아키텍처를 사용한다.
• 에너지 특이적 대trast를 유지하기 위해 이중 에너지(80 kVp 및 120 kVp) 이미지 및 시노그램 데이터를 이중 채널 입력으로 사용한다.
• 배치 정규화와 ReLU 활성화 함수를 적용한 컨볼루션 레이어에 스위프 커넥션을 결합하여 특징 융합을 수행한다.
• 200 에포크 동안 10⁻³에서 10⁻⁵로 감소하는 학습률 스케줄을 적용한 확률적 경사 하강법을 사용해 네트워크를 훈련시킨다.
• 컨볼루션 프레임릿 이론을 활용하여 네트워크 아키텍처를 통해 정규화를 암묵적으로 모델링함으로써 선형 연산자의 명시적 설계를 회피한다.
• 재구성 후 정방향 투사 연산을 수행하여 시노그램 도메인에서 NMSE를 계산하고 정량적 평가를 수행한다.

실험 결과

연구 질문

• RQ1 실제 정적 CT 수화물 스캐너에서 오직 9개의 투사 시야로부터 고해상도 3D CT 이미지를 효과적으로 재구성할 수 있는 딥러닝 모델이 존재하는가?
• RQ2 이미지 도메인과 시노그램 도메인에서 동시 학습하는 것이 단일 도메인 접근 방식보다 재구성 품질을 어떻게 향상시키는가?
• RQ3 지상 진실 이미지가 없이도 실측 데이터만을 사용하여 딥러닝 모델이 뛰어난 성능을 달성할 수 있는가?
• RQ4 제안된 방법은 FBP 및 MBIR-TV 대비 겹침 잡음의 감소 정도가 어느 정도인가?
• RQ5 NMSE를 평가 지표로 사용할 때 네트워크의 성능이 시노그램 도메인에서 정량적으로 어떻게 비교되는가?

주요 결과

• 제안된 방법은 시노그램 도메인에서 가장 낮은 정규화 평균 제곱 오차(NMSE)를 기록했으며, 80 kVp에서 0.06845, 120 kVp에서 0.05450를 기록하여 FBP, MBIR-TV 및 이미지 도메인 기반 CNN 기준선을 모두 초월했다.
• 3D 렌더링 결과는 수류탄과 칼과 같은 위협 물체를 명확히 식별할 수 있었으며, FBP 및 MBIR 재구성에서는 음영에 가려져 있거나 탐지되지 않았다.
• 시노그램 시각화 결과는 제안된 방법이 위협 물체에 해당하는 영역에서 측정된 지상 진실 데이터와 매우 유사한 투사 데이터를 생성했음을 보여주었다.
• 네트워크는 겹침 잡음의 정도를 효과적으로 줄이고 단순 물체 및 실제 수하물 가방 내의 미세한 구조적 세부 정보를 복원했다.
• 실제 9개의 시야 데이터로부터 고해상도 3D 재구성을 가능하게 하여 실시간 수화물 검사 시스템에 실용적인 적용 가능성을 입증했다.
• 훈련 과정에서 지상 진실 이미지가 없었음에도 불구하고, 모델이 실측 데이터만으로도 효과적인 표현을 학습함으로써 성능 저하 없이 우수한 성능을 달성했다.