[논문 리뷰] Denoising Message Passing for X-ray Computed Tomography Reconstruction

Alessandro Perelli, Michael Lexa외 2명|arXiv (Cornell University)|2016. 09. 15.

Medical Imaging Techniques and Applications참고 문헌 60인용 수 4

한 줄 요약

이 논문은 비선형 포isson 노이즈와 라돈 시스템 모델링을 별도로 다루기 위해 최신 이미지 노이즈 제거 기법과 일반화된 근사 메시지 전달(GAMP)을 통합한 새로운 디노이징 메시지 전달 알고리즘인 DCT-GAMP을 제안한다. 이는 시뮬레이션 및 실제 CT 스캔에서 기존의 통계적 솔버와 비교해 유사하거나 더 뛰어난 성능을 달성한다.

ABSTRACT

X-ray Computed Tomography (CT) reconstruction from a sparse number of views is a useful way to reduce either the radiation dose or the acquisition time, for example in fixed-gantry CT systems, however this results in an ill-posed inverse problem whose solution is typically computationally demanding. Approximate Message Passing (AMP) techniques represent the state of the art for solving undersampling Compressed Sensing problems with random linear measurements but there are still not clear solutions on how AMP should be modified and how it performs with real world problems. This paper investigates the question of whether we can employ an AMP framework for real sparse view CT imaging? The proposed algorithm for approximate inference in tomographic reconstruction incorporates a number of advances from within the AMP community, resulting in the Denoising CT Generalised Approximate Message Passing algorithm (DCT-GAMP). Specifically, this exploits the use of state of the art image denoisers to regularise the reconstruction. While in order to reduce the probability of divergence the (Radon) system and Poission non-linear noise model are treated separately, exploiting the existence of efficient preconditioners for the former and the generalised noise modelling in GAMP for the latter. Experiments with simulated and real CT baggage scans confirm that the performance of the proposed algorithms are comparable with, and can even outperform traditional statistical CT optimisation solvers.

연구 동기 및 목표

• 방사선 선량 또는 스캔 시간을 줄이기 위해 희소 시야 데이터로부터 고품질의 CT 영상을 재구성하는 데 도전한다.
• 실제 응용에서 발생하는 비랜덤하고 구조적인 CT 영상 문제에 대해 근사 메시지 전달(AMP) 기법의 적용 가능성을 탐구한다.
• 정밀도와 안정성을 향상시키기 위해 고급 이미지 노이즈 제거 기법과 일반화된 노이즈 모델링을 통합한 견고한 재구성 프레임워크를 개발한다.
• 효율적인 프리컨dition러와 GAMP의 일반화된 노이즈 처리 기능을 활용해 라돈 시스템과 포isson 노이즈를 별도로 다룸으로써 수치적 안정성을 확보한다.
• 제안된 방법이 시뮬레이션 및 실제 CT 환경 모두에서 기존의 통계적 최적화 솔버와 경쟁하거나 그 이상의 성능을 발휘함을 입증한다.

제안 방법

• X선 CT 측정치에 내재된 비선형 포isson 노이즈를 다룰 수 있도록 일반화된 근사 메시지 전달(GAMP)을 적응시킨다.
• 수치적 안정성과 수렴성을 향상시키기 위해 라돈 변환 시스템과 포isson 노이즈를 별도로 모델링한다.
• 메시지 전달 프레임워크 내에서 최신 기술의 이미지 노이즈 제거 기법을 정규화 요소로 통합하여 재구성 품질을 향상시킨다.
• 수렴 속도를 향상시키고 조건수를 감소시키기 위해 라돈 시스템에 대해 효율적인 프리컨dition러를 사용한다.
• GAMP 내에서 일반화된 노이즈 모델링을 활용해 CT에서 관측되는 포isson 분포 노이즈를 정확히 표현한다.
• 디노이징과 시스템 모델링 단계를 반복적으로 통합하여 희소 시야 CT의 역문제 구조를 유리하게 활용한다.

실험 결과

연구 질문

• RQ1 비랜덤하고 구조적인 측정치를 가진 실제 희소 시야 CT 재구성에 대해 AMP 기반 방법이 효과적으로 적용될 수 있는가?
• RQ2 메시지 전달 기반 재구성에서 고급 이미지 노이즈 제거 기법의 통합이 CT의 재구성 품질과 수렴성에 어떤 영향을 미치는가?
• RQ3 GAMP 프레임워크 내에서 라돈 시스템 모델링과 포isson 노이즈 처리를 분리함으로써 어떤 영향을 미치는가?
• RQ4 제안된 DCT-GAMP 프레임워크는 기존의 통계적 최적화 솔버와 비교해 유사하거나 더 뛰어난 성능을 달성하는가?
• RQ5 실제 배낭 스캔 데이터에서 알고리즘이 시뮬레이션 데이터에 비해 어떻게 성능을 발휘하는가?

주요 결과

• DCT-GAMP 알고리즘은 시뮬레이션 및 실제 CT 데이터 모두에서 기존의 통계적 최적화 솔버와 유사하거나 더 뛰어난 재구성 품질을 달성한다.
• 라돈 시스템과 포isson 노이즈 모델링을 분리함으로써 수치적 안정성이 향상되고 알고리즘의 발산 위험이 감소한다.
• 고급 이미지 노이즈 제거 기법의 통합은 특히 저신호 영역에서 재구성 정밀도를 크게 향상시킨다.
• 라돈 시스템에 대해 효율적인 프리컨dition러를 사용함으로써 수렴 속도가 향상되고 알고리즘의 강건성이 향상된다.
• 알고리즘이 실제 배낭 스캔 데이터에서 뛰어난 성능을 보이며, 합성 실험을 넘어서 실용적 적용 가능성도 확인된다.
• 매우 희소한 시야 데이터 조건에서도 알고리즘이 안정성과 고품질 출력을 유지함으로써, 부정확한 문제에 대한 강력한 내재적 저항력을 보여준다.