[논문 리뷰] Deep Sinogram Completion with Image Prior for Metal Artifact Reduction in CT Images

Lequan Yu, Zhicheng Zhang외 2명|arXiv (Cornell University)|2020. 09. 16.

Advanced X-ray and CT Imaging참고 문헌 39인용 수 4

한 줄 요약

이 논문은 CT 영상에서 금속 유물로 인한 아티팩트를 줄이기 위해 이미지 도메인과 시노그램 도메인을 동시에 학습하는 딥러닝 프레임워크를 제안한다. 잔차 학습과 가역적 정방향 투영을 사용하여 사전 이미지 생성기 (PriorNet)와 시노그램 보완 네트워크 (SinoNet)를 엔드 투 엔드로 훈련함으로써, 최신 기술 대비 더 나은 구조 보존과 줄어든 스트리핑을 보이는 아티팩트 감소된 CT 영상을 생성한다.

ABSTRACT

Computed tomography (CT) has been widely used for medical diagnosis, assessment, and therapy planning and guidance. In reality, CT images may be affected adversely in the presence of metallic objects, which could lead to severe metal artifacts and influence clinical diagnosis or dose calculation in radiation therapy. In this paper, we propose a generalizable framework for metal artifact reduction (MAR) by simultaneously leveraging the advantages of image domain and sinogram domain-based MAR techniques. We formulate our framework as a sinogram completion problem and train a neural network (SinoNet) to restore the metal-affected projections. To improve the continuity of the completed projections at the boundary of metal trace and thus alleviate new artifacts in the reconstructed CT images, we train another neural network (PriorNet) to generate a good prior image to guide sinogram learning, and further design a novel residual sinogram learning strategy to effectively utilize the prior image information for better sinogram completion. The two networks are jointly trained in an end-to-end fashion with a differentiable forward projection (FP) operation so that the prior image generation and deep sinogram completion procedures can benefit from each other. Finally, the artifact-reduced CT images are reconstructed using the filtered backward projection (FBP) from the completed sinogram. Extensive experiments on simulated and real artifacts data demonstrate that our method produces superior artifact-reduced results while preserving the anatomical structures and outperforms other MAR methods.

연구 동기 및 목표

• 진단 정확도와 치료 계획을 떨어뜨리는 심각한 금속 아티팩트 문제를 해결하기 위해.
• 기존의 시노그램 보간법과 사전 이미지 기반 방법의 한계를 극복하기 위해 딥러닝과 물리 모델링을 융합하기 위해.
• 일반화 능력이 뛰어나고 엔드 투 엔드로 훈련 가능한 프레임워크를 개발하여 사전 이미지 생성과 시노그램 보완을 동시에 최적화함으로써 아티팩트 감소를 향상시키기 위해.
• 잔차 학습과 가역적 정방향 투영을 활용하여 해부학적 구조를 보존하고 새로운 아티팩트를 줄이기 위해.

제안 방법

• 프레임워크는 두 개의 딥 네ural 네트워크를 사용한다: 금속으로 손상된 CT 스캔에서 사전 이미지를 생성하는 PriorNet과, 사전 이미지를 가이드로 하여 손상된 시노그램을 보완하는 SinoNet.
• 금속 영향을 받는 영역 내에서 투영을 정밀하게 보정하기 위해, 손상된 시노그램과 진정된 시노그램 간의 차이를 학습하는 새로운 잔차 시노그램 학습 전략을 설계하였다.
• 전체 프레임워크는 가역적 정방향 투영 연산을 사용하여 엔드 투 엔드로 훈련되며, PriorNet과 SinoNet 간의 상호 최적화를 가능하게 한다.
• 결손된 데이터의 대체로 사전 이미지의 정방향 투영을 사용하여 시노그램 보완을 수행함으로써 연속성 향상과 경계 아티팩트 감소를 달성한다.
• 완성된 시노그램에서 필터드 뒷배치 투영 (FBP)을 통해 최종 아티팩트 감소된 CT 영상을 재구성하며, 해부학적 정확성을 유지한다.
• 훈련은 임상 CT 스캔에 인위적 금속 마스크를 적용하여 정방향 투영으로 생성한 시뮬레이션된 금속 아티팩트 데이터를 사용한다.

실험 결과

연구 질문

• RQ1 이미지 도메인과 시노그램 도메인에서의 공동 학습이 단일 도메인 접근법에 비해 금속 아티팩트 감소 성능을 향상시키는가?
• RQ2 잔차 학습 전략이 금속 영향을 받는 영역 내에서 시노그램 투영을 얼마나 효과적으로 정밀하게 보정하는가?
• RQ3 가역적 정방향 투영을 통한 엔드 투 엔드 훈련이 사전 이미지 생성과 시노그램 보완 간의 상호 작용을 향상시키는가?
• RQ4 사전 이미지 품질이 시노그램 보완 정확도와 최종 영상 재구성에 얼마나 영향을 미치는가?
• RQ5 시뮬레이션 데이터로 훈련된 프레임워크가 실제 임상 CT 스캔의 금속 아티팩트에 일반화 가능한가?

주요 결과

• 제안된 방법은 정성적 및 정량적 평가에서 기존 최신 기술 대비 뛰어난 성능을 보이며, 스트리핑 감소와 더 나은 구조 보존을 보이는 더 선명한 영상을 생성한다.
• SinoNet에 잔차 학습을 적용함으로써, 특히 금속 흔적 근처의 고주파 영역에서의 시노그램 보완 정확도가 크게 향상된다.
• 가역적 정방향 투영을 통한 공동 훈련은 PriorNet과 SinoNet 간의 상호 개선을 가능하게 하여 더 정확하고 일관성 있는 시노그램 예측을 이끌어낸다.
• 완성된 시노그램에서 FBP를 통해 재구성된 영상들은 해부학적 세부 정보를 유지하며 순수 이미지 도메인 딥러닝 방법에서 흔히 발생하는 해상도 손실을 피한다.
• 시뮬레이션 및 실제와 유사한 데이터에 대한 광범위한 실험을 통해, 합성 데이터로 훈련되었음에도 불구하고 임상 적용 잠재력이 높음을 입증하였다.
• 불완전한 금속 마스크 세그먼테이션에 대해서도 프레임워크가 강건함을 보이며, 실제 임상 워크플로우에서의 실용성을 시사한다.