[논문 리뷰] Deep Neural Network Assisted Iterative Reconstruction Method for Low Dose CT

Shabab Bazrafkan, Vincent Van Nieuwenhove외 3명|arXiv (Cornell University)|2019. 06. 03.

Medical Imaging Techniques and Applications인용 수 4

한 줄 요약

이 논문은 저선량 CT를 위한 하이브리드 딥 러닝 및 반복 재구성 방법을 제안하며, SIRT(Singular Value Decomposition-based Iterative Reconstruction) 프레임워크 내부에 딥 네ural 네트워크(DNN)를 정규화 항으로 통합한다. 각 SIRT 단계 이후로 10개의 믹스드 스케일 딥 컨volution 네트워크를 순차적으로 적용함으로써, 이미지 품질을 향상시키고 원본 시노그램 데이터에 대한 충실도를 높인다. 이는 PSNR, MSE, SSIM 지표에서 최신 기술보다 뛰어난 성능을 보인다.

ABSTRACT

Low Dose Computed Tomography suffers from a high amount of noise and/or undersampling artefacts in the reconstructed image. In the current article, a Deep Learning technique is exploited as a regularization term for the iterative reconstruction method SIRT. While SIRT minimizes the error in the sinogram space, the proposed regularization model additionally steers intermediate SIRT reconstructions towards the desired output. Extensive evaluations demonstrate the superior outcomes of the proposed method compared to the state of the art techniques. Comparing the forward projection of the reconstructed image with the original signal shows a higher fidelity to the sinogram space for the current approach amongst other learning based methods.

연구 동기 및 목표

• 감소된 방사선 또는 적은 수의 투과 각도로 인해 발생하는 노이즈와 스트레일링 아티팩트를 해결하기 위해.
• SIRT의 데이터 일致성과 DNN의 구조적 사전 지식 학습을 결합하여 재구성 충실도를 향상시키기 위해.
• 순수 학습 기반 방법의 한계를 극복하기 위해 이미지 공간과 시노그램 공간 양쪽에서 재구성 정확도를 향상시키기 위해.
• 다단계 처리에서 반복 재구성과 딥 러닝 간의 협업 행동을 조사하기 위해.
• PSNR, MSE, SSIM와 같은 정량적 지표에서 최신 기술보다 뛰어난 성능을 입증하기 위해.

제안 방법

• 이 방법은 시노그램 공간에서 오차를 최소화하는 반복 재구성 알고리즘인 SIRT와 이미지 공간 정규화를 위한 연속된 딥 네럴 네트워크(DNN)를 결합한다.
• 10개의 믹스드 스케일 딥 컨volution 네트워크를 순차적으로 훈련하여, 각 SIRT 반복 후 중간 재구성 결과를 개선한다.
• 전이 학습을 적용: 각 후속 DNN은 이전 단계에서 가장 성능이 좋았던 모델을 초기화값으로 사용하여 훈련 안정성과 수렴성을 향상시킨다.
• DNN은 시노그램 데이터에 직접적인 감독 없이, 노이즈가 많거나 품질이 낮은 SIRT 출력을 향상된 이미지로 매핑하도록 훈련하여 구조적 사전 지식을 학습한다.
• 최종 출력은 DNN 출력에 대해 최종 SIRT 단계를 적용하여 시노그램 공간에서의 데이터 일치성을 확보한다.
• 테스트 데이터에서 PSNR, MSE, SSIM를 평가하며, 각 SIRT 및 DNN 블록 이후의 중간 결과도 분석한다.

실험 결과

연구 질문

• RQ1 딥 네럴 네트워크가 저선량 CT에서 노이즈와 스트레일링 아티팩트를 줄이기 위해 반복 재구성에 효과적으로 정규화할 수 있는가?
• RQ2 각 SIRT 단계 이후에 DNN을 순차적으로 통합할 경우, 종단 간 학습 대비 이미지 품질과 시노그램 충실도에 어떤 영향을 미치는가?
• RQ3 초기 단계의 DNN이 재구성 파이프라인 전반의 성능 향상에 어느 정도 기여하는가?
• RQ4 기존에 이미지 공간에서만 작동하는 학습 기반 접근 방식에 비해, 제안된 방법이 시노그램 공간에서 더 높은 재구성 충실도를 달성하는가?
• RQ5 특히 고강도 영역에서 다양한 노이즈 수준과 배경 강도에서 이 방법은 어떻게 성능을 발휘하는가?

주요 결과

• 제안된 SIRT+DNN 방법은 최신 기술 기반의 학습 및 모델 기반 재구성 기법들보다 더 뛰어난 PSNR, MSE, SSIM 값을 달성한다.
• 정방향 프로젝션 이후 원본 시노그램 데이터에 대한 충실도가 더 높게 유지되며, 이미지 공간에서만 작동하는 다른 학습 기반 방법보다 뛰어나다.
• 중간 결과 분석에서 첫 번째 몇 개의 DNN 블록이 이미지 품질 향상에 가장 큰 영향을 미치며, 후속 단계에서는 개선 폭이 미미한 것으로 나타났다.
• 특히 배경 강도가 10,000 이상인 영역에서 더 세밀한 재구성을 생성하며, 경쟁 모델들보다 뛰어난 성능을 보였다.
• SIRT와 DNN 간의 협업 행동이 명확히 드러났다: 각 SIRT 단계는 데이터 일치도를 향상시키고, 각 DNN 단계는 구조적 및 픽셀 수준 정확도를 향상시킨다.
• 일부 대안보다 느리지만, 현대 GPU 가속 기술을 통해 성능과 강건성이 뛰어나, 향후 노이즈 데이터로의 훈련을 통해 일반화 능력을 향상시킬 수 있음을 시사한다.