[논문 리뷰] Iterative PET Image Reconstruction Using Convolutional Neural Network Representation

Kuang Gong, Jiahui Guan외 5명|arXiv (Cornell University)|2017. 10. 09.

Medical Imaging Techniques and Applications참고 문헌 26인용 수 34

한 줄 요약

이 논문은 반복적 PET 영상 복원 프레임워크를 제안하며, 이는 확률적 최적화 방법인 분할 상수 다중 승수 방법(ADMM)의 최적화 프로세스 내부에 깊이 학습된 잔차 U-Net 컨볼루션 신경망(CNN)을 데이터 일관성 영상 사전으로 통합한다. 후처리 노이즈 제거 방식과는 달리, CNN은 유효한 PET 영상의 탯세트를 나타내며, 특히 저감도 상황에서 기존의 페널라이제이션 최대우도 및 CNN 기반 노이즈 제거 방법보다 높은 병변 대비 대비 회복과 노이즈 감소 성능을 제공한다.

ABSTRACT

PET image reconstruction is challenging due to the ill-poseness of the inverse problem and limited number of detected photons. Recently deep neural networks have been widely and successfully used in computer vision tasks and attracted growing interests in medical imaging. In this work, we trained a deep residual convolutional neural network to improve PET image quality by using the existing inter-patient information. An innovative feature of the proposed method is that we embed the neural network in the iterative reconstruction framework for image representation, rather than using it as a post-processing tool. We formulate the objective function as a constraint optimization problem and solve it using the alternating direction method of multipliers (ADMM) algorithm. Both simulation data and hybrid real data are used to evaluate the proposed method. Quantification results show that our proposed iterative neural network method can outperform the neural network denoising and conventional penalized maximum likelihood methods.

연구 동기 및 목표

• 환자 간 해부학적 및 영상 외관 사전 지식을 활용하여 저감도 PET 영상 복원을 향상시키기 위해.
• 동일 환자 기반 사전 데이터가 필요하거나 노이즈 및 잡음에 민감한 기존 방법의 한계를 극복하기 위해.
• 딥 CNN을 반복적 복원 과정에 직접 통합하는 프레임워크를 개발하기 위해.
• 모의 및 실제 하이브리드 PET 데이터를 활용하여 대비 대비 회복 및 노이즈 감소 성능 향상을 입증하기 위해.
• 커널 기반 방법보다 더 탄력적으로 다중 소스 정보(예: 시간적, 해부학적)를 통합할 수 있는 데이터 기반, 일반화 가능한 영상 사전를 가능하게 하기 위해.

제안 방법

• 저감도 PET 복원 영상을 고감도 기준 영상으로 매핑하는 데 목적이 있는 깊이 학습된 잔차 U-Net CNN을 훈련시켜 유효한 PET 영상 구조에 대한 사전을 학습한다.
• CNN을 ADMM 기반 최적화 프레임워크에 통합하여 제약 최적화 문제를 해결하며, CNN이 영상의 타당 영역을 정의한다.
• 목적 함수는 데이터 일관성(Poisson 우도)과 CNN 기반 사전를 조합하여 제약 최적화 문제로 공식화한다.
• ADMM를 통해 하위 문제를 반복적으로 해결하며, 분할 변수 갱신 단계에서 비선형 제약 조건을 통해 CNN 사전를 강제 적용한다.
• 수렴 안정성을 향상시키기 위해 ADMM 알고리즘의 초기 추정치로 기대값 최대화(EM) 알고리즘을 30회 반복하여 도출한다.
• 학습된 CNN을 미분 가능한 영상 표현으로 사용함으로써 명시적 페널티 항을 회피하고, 엔드 투 엔드 최적화를 가능하게 한다.

실험 결과

연구 질문

• RQ1 환자 간 데이터를 기반으로 학습된 딥 CNN이 반복적 PET 복원에서 효과적인 데이터 기반 영상 사전로 기능할 수 있는가?
• RQ2 반복적 복원 프레임워크에 직접 CNN을 통합하는 방식이 후처리 노이즈 제거 단계로 적용하는 것보다 어떻게 다른가?
• RQ3 제안된 방법이 기존의 페널라이제이션 최대우도 및 CNN 기반 노이즈 제거 방법보다 더 나은 대비 대비 회복과 노이즈 감소 성능을 달성할 수 있는가?
• RQ4 비볼록, 비선형 하위 문제에서의 초기화 및 최적화 과제에 대해 이 방법은 얼마나 강건한가?
• RQ5 CNN 사전는 전통적 사전보다 환자 간 일반화 능력이 뛰어나고, 작은 해부학적 구조를 더 잘 유지하는가?

주요 결과

• 실제 하이브리드 데이터에서 제안된 반복적 CNN 방법은 고전적 가우시안 필터링 대비 표준편차(노이즈)를 약 두 배 감소시켰다.
• 모의 XCAT 데이터에서 반복적 CNN 방법은 작은 병변에 대해 특히 효과적으로, CNN 노이즈 제거 및 페널라이제이션 최대우도 복원 방법보다 대비 대비 회복과 노이즈의 상호 보완성에서 뛰어난 성능을 보였다.
• CNN 노이즈 제거 방법은 작은 기능을 억제하는 경향이 있었지만, 반복적 CNN 방법은 병변의 집합도를 더 잘 유지했다.
• 척추 부위에서 더 선명한 영상 세부 정보를 제공했으며, 페널라이제이션 복원에서 흔히 발생하는 만화 스타일의 잡음도 감소시켰다.
• EM 기반 초기화가 수렴 성능과 최종 영상 품질을 크게 향상시켰으며, 균일 초기화는 열악한 결과를 초래했다.
• 커널 기반 방법 대비 CNN 기반 사전는 다중 소스 사전 통합에서 더 뛰어난 일반화 능력과 특징 유지 능력을 보였다.