[논문 리뷰] Dual-domain Attention-based Deep Network for Sparse-view CT Artifact Reduction

Xiang Gao, Ting Su외 8명|arXiv (Cornell University)|2022. 03. 17.

Medical Imaging Techniques and Applications인용 수 4

한 줄 요약

이 논문은 희소 복사 CT 재구성에서 줄무늬 아티팩트를 줄이기 위해 CT 영상 도메인과 시노그램 도메인을 동시에 처리하는 엔드 투 엔드 이중도메인 주의 기반 딥 러닝 네트워크인 DDANet을 제안한다. 특수 주의 모듈을 통해 두 도메인의 특징을 융합함으로써 DDANet은 우수한 아티팩트 억제 및 구조 보존 성능을 달성하며, 실수 데이터에 대한 피팅 조정 없이 수치적, 펌프, 생체 내 실험에서 최신 기술들을 능가한다.

ABSTRACT

Due to the wide applications of X-ray computed tomography (CT) in medical imaging activities, radiation exposure has become a major concern for public health. Sparse-view CT is a promising approach to reduce the radiation dose by down-sampling the total number of acquired projections. However, the CT images reconstructed by this sparse-view imaging approach suffer from severe streaking artifacts and structural information loss. In this work, an end-to-end dual-domain attention-based deep network (DDANet) is proposed to solve such an ill-posed CT image reconstruction problem. The image-domain CT image and the projection-domain sinogram are put into the two parallel sub-networks of the DDANet to independently extract the distinct high-level feature maps. In addition, a specified attention module is introduced to fuse the aforementioned dual-domain feature maps to allow complementary optimizations of removing the streaking artifacts and mitigating the loss of structure. Numerical simulations, anthropomorphic thorax phantom and in vivo pre-clinical experiments are conducted to verify the sparse-view CT imaging performance of the DDANet. Results demonstrate that this newly developed approach is able to robustly remove the streaking artifacts while maintaining the fine structures. As a result, the DDANet provides a promising solution in achieving high quality sparse-view CT imaging.

연구 동기 및 목표

• 희소 복사 CT에서 감소된 투과 데이터로 인해 발생하는 심한 줄무늬 아티팩트와 구조 손실 문제를 해결하기 위해.
• 단일 도메인 딥 러닝 방법의 한계를 극복하기 위해, 이미지 또는 시노그램 데이터만 별도로 처리하는 기존 방법의 한계를 해결하기 위해.
• 이미지 도메인과 투과 도메인 간의 상호보완적 정보를 활용하여 개선된 재구성 품질을 달성하기 위해 이중도메인 네트워크를 개발하기 위해.
• 이중 도메인의 다중 수준 특징을 효과적으로 융합하여 아티팩트 제거 및 구조 충실도를 향상시키는 주의 메커니즘을 설계하기 위해.
• 수치적 시뮬레이션, 인체 모형 펌프, 생체 내 전임의 실험을 포함한 다양한 데이터셋에서 실수 데이터에 대한 피팅 조정 없이 방법을 검증하기 위해.

제안 방법

• CT 영상 도메인과 시노그램 도메인에서 고수준 특징을 동시에 추출하기 위해 이중 브랜치 U-Net 아키텍처를 사용한다.
• 시노그램 도메인 브랜치는 다중 수용체 영역의 문맥 정보를 캡처하기 위해 완전 연결 층 이후 아트로우스 스페이셜 피어링 풀링(ASPP) 모듈을 적용한다.
• 새로운 이중도메인 주의 모듈이 두 브랜치의 특징을 융합하여 아티팩트 감소와 구조 보존의 상호보완적 최적화를 가능하게 한다.
• 두 하위 네트워크의 특징 표현을 향상시키기 위해 확장 컨볼루션을 적용하여 수용체 영역을 확장한다.
• L1 손실과 인지 손실을 조합한 손실 함수를 사용하여 엔드 투 엔드로 네트워크를 훈련시켜 구조적 세부 사항을 보존하고 아티팩트를 감소시킨다.
• 특징을 두 도메인 간에 정렬하기 위해 시노그램 공간과 영상 공간 간의 도메인 변환을 완전 연결 층을 통해 촉진한다.

실험 결과

연구 질문

• RQ1 CT 영상과 시노그램을 동시에 처리하는 이중도메인 딥 러닝 프레임워크가 희소 복사 CT에서 줄무늬 아티팩트를 감소시키는 데 단일 도메인 방법보다 뛰어난 성능을 보일 수 있는가?
• RQ2 이미지 도메인과 투과 도메인 간의 상호보완적 정보를 융합하기 위해 주의 기반 특징 융합 메커니즘이 재구성 품질 향상에 얼마나 효과적인가?
• RQ3 희소 복사, 저선량 CT 영상에서 아티팩트를 억제하면서도 세밀한 해부학적 구조를 유지하는가?
• RQ4 수치적 시뮬레이션에서 훈련된 DDANet 모델이 실물 펌프 및 생체 내 실험 데이터에 직접 적용되었을 때 얼마나 일반화 가능한가?
• RQ5 기존의 반복적 및 딥 러닝 방법과 비교해 이중도메인 주의 기반 메커니즘이 해상도 및 조절 전달 함수(MTF) 향상에 기여하는가?

주요 결과

• DDANet은 수치적 시뮬레이션, 인체 모형 체스트 펌프, 생체 내 원숭이 머리 스캔을 포함한 모든 테스트 모드에서 희소 복사 CT 재구성에서 줄무늬 아티팩트를 크게 감소시켰으며, FBP, TV 및 기타 딥 러닝 기준선보다 뛰어난 성능을 보였다.
• 시각적 비교에서, DDANet은 아티팩트 감소를 위해선 효과적이지만 이미지를 더 흐리게 만드는 TV 및 FrameUnet 등의 방법보다 더 뛰어난 세밀한 구조적 세부 사항을 유지했다.
• 정량적 MTF 분석을 통해 DDANet은 FBP와 TV보다 더 높은 공간 해상도를 유지했으며, 전체 복사 FBP와 비교해 약간의 열화만 보였고, 이는 고주파 세부 사항의 강력한 보존을 시사한다.
• 실제 실험 데이터에서 피팅 조정 없이도 우수한 성능을 보였으며, 시뮬레이션 훈련 데이터에서의 일반화 능력이 뛰어나다는 것을 입증했다.
• 제거 분석을 통해 이중도메인 주의 모듈의 효과성과 ASPP 및 확장 컨볼루션과 같은 각 구성 요소의 기여도가 전체 성능에 기여한다는 것이 확인되었다.
• 모든 평가 설정에서 시각적 품질과 정량적 지표(예: SSIM, PSNR, RMSE) 모두에서 일관된 우수성을 보였다.