[논문 리뷰] Extreme Few-view CT Reconstruction using Deep Inference

Hyojin Kim, Rushil Anirudh외 2명|arXiv (Cornell University)|2019. 10. 11.

Medical Imaging Techniques and Applications참고 문헌 11인용 수 4

한 줄 요약

이 논문은 극단적인 少수 투영 수에서 CT 재구성하기 위한 이단계 딥러닝 방법을 제안한다. 먼저 CNN 기반 추론 네트워크를 통해 희소 시노그램 데이터로부터 초기 이미지 사전을 생성하고, 그 다음 RLS 기반 반복 재구성 기법을 통해 데이터 일관성을 강제한다. 이 방법은 잡음과 아티팩트를 크게 감소시키며, FBP, RLS 및 시노그램 보완 방법들보다 뛰어나게 성능을 발휘한다. 특히 6~18 views에서 성능이 뛰어나며, PSNR 향상 최대 4.5 dB, SSIM 향상 0.15 초과를 기록한다.

ABSTRACT

Reconstruction of few-view x-ray Computed Tomography (CT) data is a highly ill-posed problem. It is often used in applications that require low radiation dose in clinical CT, rapid industrial scanning, or fixed-gantry CT. Existing analytic or iterative algorithms generally produce poorly reconstructed images, severely deteriorated by artifacts and noise, especially when the number of x-ray projections is considerably low. This paper presents a deep network-driven approach to address extreme few-view CT by incorporating convolutional neural network-based inference into state-of-the-art iterative reconstruction. The proposed method interprets few-view sinogram data using attention-based deep networks to infer the reconstructed image. The predicted image is then used as prior knowledge in the iterative algorithm for final reconstruction. We demonstrate effectiveness of the proposed approach by performing reconstruction experiments on a chest CT dataset.

연구 동기 및 목표

• 기존 방법들이 심각한 아티팩트와 잡음을 유발하는 극단적으로 부족한 투영 수에서의 CT 재구성 문제를 해결하기 위해.
• 딥러닝을 활용해 사전 추정을 통해 저선량 또는 고속 스캔 환경에서의 이미지 품질을 향상시키기 위해.
• 반복 재구성 프레임워크에 CNN로 예측한 이미지를 사전으로 통합하여 데이터 일관성을 확보하기 위해.
• 기존의 분석적 및 딥러닝 기반 방법들을 초월하여 극단적인 적은 투영 수 조건(예: 6~18 views)에서 성능을 높이기 위해.
• 낮은 샘플링 조건에서 인지적 이미지 사전과 물리 기반 정규화의 조합이 아티팩트와 잡음을 얼마나 효과적으로 감소시키는지 입증하기 위해.

제안 방법

• CT-Net에서 유도된 CNN 기반 추론 모델을 사용하여, 1D-2D 컨볼루션을 활용해 극도로 희소한 시노그램 데이터로부터 직접 재구성 이미지를 예측한다.
• 학습 손실에 L2, SSIM(가중치 0.7), 그리고 적대적 손실을 조합하여 시각적 품질과 구조적 정확도를 향상시킨다.
• 예측된 이미지를 Regularized Least Squares(RLS) 반복 알고리즘의 초기 추정치로 사용하여 측정된 시노그램과의 데이터 일관성을 강제한다.
• RLS 공식은 ||y - Ax||² + βR(x)로 표현되며, R(x)는 총 변동성 정규화이고, β는 경험적으로 2e-2로 설정된다.
• 비음성 제약 조건을 적용하고 100회 반복하여 수렴을 도모함으로써 가장자리 유지 및 고주파 성분 복원을 향상시킨다.
• 3~18 views에서의 시노그램 생성을 위해 내림샘플링된(128×128) 흉부 CT 데이터셋을 사용하여 프레임워크를 평가한다.

실험 결과

연구 질문

• RQ1 극도로 희소한 시노그램 데이터로부터 딥 CNN 기반 추론 모델이 고품질의 초기 이미지 사전을 생성할 수 있는가?
• RQ2 반복 재구성 프레임워크에 학습된 이미지 사전을 적용할 경우, 기존의 표준 반복 방법보다 이미지 품질이 향상되는가?
• RQ3 매우 낮은 투영 수 조건에서 FBP, RLS 및 시노그램 보완 방법과 비교해 PSNR 및 SSIM 측면에서 본 방법의 성능은 어떠한가?
• RQ4 인지적 학습과 물리 기반 정규화의 조합이 적은 샘플링 조건에서 아티팩트와 잡음을 얼마나 효과적으로 감소시키는가?
• RQ5 6~18개의 투영 수 조건에서도 미세한 해부학적 구조와 고주파 세부 정보를 유지할 수 있는가?

주요 결과

• 제안된 방법은 6투영 재구성에서 기준 FBP 및 RLS 대비 최대 4.5 dB의 PSNR 향상을 기록한다.
• 6 및 9 투영 조건에서 제안된 방법의 SSIM 값은 모든 기준 방법보다 0.15 초과 높아, 구조적 유사성 측면에서 뛰어난 성능을 보인다.
• 12 투영 조건에서 제안된 방법은 RLS 대비 PSNR 1.2 dB 향상 및 SSIM 0.08 향상으로, 낮은 샘플링 조건에서의 일관된 우수성을 입증한다.
• 정성적 결과에서는 FBP 및 시노그램 보완 방법 대비 더 선명한 가장자리와 감소된 잡음을 보이며, 고주파 해부학적 세부 정보의 보존이 뛰어나다.
• 3에서 18 투영 수에 걸쳐 안정적인 성능을 유지하며, 가장 극단적인 적은 투영 조건(예: 6 투영)에서 가장 큰 향상을 보였다.
• 학습된 이미지 사전의 사용은 RLS 프레임워크 내 수렴 속도를 크게 향상시키고 최종 재구성 품질을 향상시킨다.