[논문 리뷰] DenoMamba: A fused state-space model for low-dose CT denoising

Şaban Öztürk, Özge Duran외 1명|arXiv (Cornell University)|2024. 09. 19.

Medical Imaging Techniques and Applications인용 수 7

한 줄 요약

DenoMamba는 LDCT 잡음 제거를 위해 공간 및 채널 맥락을 융합하는 새로운 상태공간 모델링 접근법(FuseSSM 블록)을 도입하여, 유사한 복잡도에서 CNN/트랜스포머 기초 모델보다 우수한 영상 품질을 달성합니다.

ABSTRACT

Low-dose computed tomography (LDCT) lower potential risks linked to radiation exposure while relying on advanced denoising algorithms to maintain diagnostic quality in reconstructed images. The reigning paradigm in LDCT denoising is based on neural network models that learn data-driven image priors to separate noise evoked by dose reduction from underlying tissue signals. Naturally, the fidelity of these priors depend on the model's ability to capture the broad range of contextual features evident in CT images. Earlier convolutional neural networks (CNN) are highly adept at efficiently capturing short-range spatial context, but their limited receptive fields reduce sensitivity to interactions over longer distances. Although transformers based on self-attention mechanisms have recently been posed to increase sensitivity to long-range context, they can suffer from suboptimal performance and efficiency due to elevated model complexity, particularly for high-resolution CT images. For high-quality restoration of LDCT images, here we introduce DenoMamba, a novel denoising method based on state-space modeling (SSM), that efficiently captures short- and long-range context in medical images. Following an hourglass architecture with encoder-decoder stages, DenoMamba employs a spatial SSM module to encode spatial context and a novel channel SSM module equipped with a secondary gated convolution network to encode latent features of channel context at each stage. Feature maps from the two modules are then consolidated with low-level input features via a convolution fusion module (CFM). Comprehensive experiments on LDCT datasets with 25\% and 10\% dose reduction demonstrate that DenoMamba outperforms state-of-the-art denoisers with average improvements of 1.4dB PSNR, 1.1% SSIM, and 1.6% RMSE in recovered image quality.

연구 동기 및 목표

• LDCT 잡음 제거의 목적은 방사선량 감소와 진단용 영상 품질의 균형을 맞추는 것.
• 잡음과 주변 정보를 모두 포착하는 SSM 기반의 새로운 잡음 제거 아키텍처(DenoMamba)를 제안합니다.
• 융합된 공간-채널 SSM 블록이 CNN 및 트랜스포머와 비교 가능한 복잡도에서 더 나은 성능을 발휘하도록 합니다.
• LDCT 데이터셋에서 25% 및 10% 방사선량 감소에 대해 견고한 잡음 제거를 보여줍니다.
• 재현성을 촉진하기 위한 오픈 소스 구현을 제공합니다.

제안 방법

• 공간 SSM 모듈과 채널 SSM 모듈을 결합하는 FuseSSM 블록을 도입합니다.
• 채널 SSM 내에서 잠재 채널 특징을 추출하기 위해 이차 게이트드 컨볼루션 네트워크를 사용합니다.
• 컨텍스추얼 표현을 원래 입력과 합성하기 위해 컨볼루션 융합 모듈(CFM)을 사용합니다.
• 인코더-디코더 계층 간에 장거리 잔여 연결을 가지는 호그래스 인코더-디코더 아키텍처를 채택합니다.
• LDCT에서 NDCT로의 영상 쌍에 대해 평균제곱오차 손실로 학습하고 PSNR, SSIM, RMSE로 평가합니다.

실험 결과

연구 질문

• RQ1 융합된 공간-채널 상태공간 모델이 저선량 수준에서 CNN/트랜스포머 기초 대비 LDCT 잡음 제거를 향상시킬 수 있을까요?
• RQ2 제안된 DenoMamba 아키텍처가 장거리 맥락을 효율적으로 포착하면서 공간 정밀도를 높게 유지할 수 있을까요?
• RQ3 구성요소 제거(cha SSM, spa SSM, CFM, GCN, 동정 경로)가 잡음 제거 성능에 어떤 영향을 미치나요?
• RQ4 DenoMamba가 25% 및 10% 방사선량 감소와 여러 재구성 커널에서 어떻게 성능을 보이나요?
• RQ5 메서드 코드가 재현성을 위해 공개되어 있나요?

주요 결과

• DenoMamba는 25% 방사선량 LDCT 데이터셋에서 경쟁 방법들보다 더 높은 PSNR과 SSIM, 더 낮은 RMSE를 달성합니다.
• 절반의 Ablation 연구는 공간 SSM과 채널 SSM 모듈의 중요성과 최상의 성능을 위한 GCN 기반 채널 경로의 중요성을 보여줍니다.
• 제안된 방법은 1-mm 및 3-mm 슬라이스 두께와 다양한 커널에서 우수한 영상 품질을 보여줍니다.
• 모델은 기존 CNN과 비교 가능한 매개변수 수로 작동하면서 선형에 가까운 복잡도로 장거리 맥락을 포착합니다.
• DenoMamba의 코드가 공개적으로 이용 가능합니다.