[논문 리뷰] Generative Mask Pyramid Network for CT/CBCT Metal Artifact Reduction with Joint Projection-Sinogram Correction

Haofu Liao, Wei-An Lin외 5명|arXiv (Cornell University)|2019. 06. 29.

Advanced X-ray and CT Imaging참고 문헌 12인용 수 6

한 줄 요약

이 논문은 CT/CBCT에서 금속 잔상 감소(MAR)를 위한 공동 투영-시노그램 보정을 통합한 생성적 마스크 피라미드 네트워크(MPN)를 제안한다. 적대적 학습과 맥락 인식 보정을 활용하여 해부학적으로 일관된 구조를 복원한다. 합성 학습 데이터가 필요 없이도, 2차 잔상 감소와 더 낮은 RMSE 및 더 높은 SSIM을 달성하여, 특히 큰 금속 임플란트에서 최신 기술들을 능가한다.

ABSTRACT

A conventional approach to computed tomography (CT) or cone beam CT (CBCT) metal artifact reduction is to replace the X-ray projection data within the metal trace with synthesized data. However, existing projection or sinogram completion methods cannot always produce anatomically consistent information to fill the metal trace, and thus, when the metallic implant is large, significant secondary artifacts are often introduced. In this work, we propose to replace metal artifact affected regions with anatomically consistent content through joint projection-sinogram correction as well as adversarial learning. To handle the metallic implants of diverse shapes and large sizes, we also propose a novel mask pyramid network that enforces the mask information across the network's encoding layers and a mask fusion loss that reduces early saturation of adversarial training. Our experimental results show that the proposed projection-sinogram correction designs are effective and our method recovers information from the metal traces better than the state-of-the-art methods.

연구 동기 및 목표

• CT/CBCT 영상에서 금속 잔상, 특히 투영 또는 시노그램 보완이 불완전할 경우 발생하는 2차 잔상 문제를 해결하기 위해.
• 학습 중 합성 금속 잔상을 필요로 하지 않도록 MAR을 이미지 보정 문제로 간주하여 의존도를 제거하기 위해.
• 공동 투영-시노그램 보정 및 적대적 학습을 통해 금속 영향을 받은 영역에서의 구조적 및 해부학적 일관성을 향상시키기 위해.
• 새로운 마스크 피라미드 네트워크와 마스크 융합 손실을 통해 다양한 금속 임플란트 형상과 크기의 영향에 대해 더 높은 내성 확보를 위해.
• 조직 분할이 필요 없이도 합성 및 실제 임상 데이터셋 모두에서 더 나은 일반화와 성능을 달성하기 위해.

제안 방법

• 이 방법은 이중 단계 프레임워크를 사용한다: 첫 번째로, 마스크 피라미드 네트워크(MPN)를 갖춘 투영 보완 모듈이 적대적 학습을 통해 금속 영향 영역 내에서 해부학적으로 타당한 대체 구조를 생성한다.
• MPN은 인코딩 레이어를 통해 다중 척도 마스크 기하학적 정보를 정제하여 임플란트 형상과 구조적 맥락을 유지한다.
• 조기 포화를 방지하기 위해 마스크 융합 손실을 도입하여 적대적 학습의 안정성과 수렴성을 향상시킨다.
• 시노그램 보정 모듈은 잔여 예측 네트워크를 사용하여 투영 보정된 시노그램을 정밀하게 보정하며, 투영 간 일관성을 강제한다.
• 생성자와 판별자는 LSGAN 손실을 사용하여 적대적으로 학습되며, 판별자는 패치 단위의 진위 분류를 수행한다.
• 모델은 합성 잔상 생성 없이 실제 금속이 없는 투영 데이터에 무작위 금속 마스크를 적용하여 엔드 투 엔드로 학습된다.

실험 결과

연구 질문

• RQ1 공동 투영-시노그램 보정이 단일 도메인 보정 대비 해부학적 일관성을 향상시키고 2차 잔상을 감소시키는가?
• RQ2 제안된 마스크 피라미드 네트워크가 다양한 금속 임플란트 형상과 크기 간의 특징 학습과 일반화 능력을 어떻게 향상시키는가?
• RQ3 마스크 융합 손실을 통한 적대적 학습이 시노그램 보정의 품질과 안정성에 얼마나 기여하는가?
• RQ4 실제 금속이 없는 투영 데이터에 무작위 마스크를 적용한 학습 전략이 합성 금속 잔상을 기반으로 한 방법보다 더 잘 일반화되는가?
• RQ5 실제 임상 데이터에서 제안된 방법은 최신 기술 대비 어떻게 성능을 발휘하는가?

주요 결과

• 합성 데이터에서 최저 RMSE(29 HU)와 최고 SSIM(0.94)를 달성하여, 두 번째로 우수한 성능을 보인 CNNMAR(41 HU, SSIM 0.92)를 크게 능가한다.
• 크기가 큰 임플란트(>1000 픽셀)에서는 제안된 방법이 성능 저하가 최소화되며, 세분화 기반 방법인 NMAR 및 CNNMAR는 정확한 세분화가 어려워 급격히 성능이 떨어진다.
• 임상 데이터셋에서 시각적·정량적 평가 모두에서 BHC, NMAR, LI, CNNMAR를 능가하는 더 우수한 결과를 제공하며, 더 적은 2차 잔상을 유발한다.
• 크기가 큰 임플란트에서 공동 보정 프레임워크는 두 번째로 우수한 방법 대비 RMSE를 29% 감소시켜 복잡한 금속 기하학적 형상에 대한 내성을 입증한다.
• 마스크 융합 손실은 적대적 학습의 조기 포화를 효과적으로 방지하여 더 안정적이고 고품질의 누락 데이터 생성을 가능하게 한다.
• CNNMAR와 같이 합성 잔상을 기반으로 한 이미지 도메인 접근 방식에 비해, 실제 임상 데이터에 대한 일반화 능력이 뛰어나지 않음이 확인되었으며, 이는 합성 데이터와 임상 데이터 간 성능 격차로 증명된다.