[논문 리뷰] LEARN: Learned Experts' Assessment-based Reconstruction Network for Sparse-data CT

Hu Chen, Yi Zhang외 8명|arXiv (Cornell University)|2017. 07. 30.

Medical Imaging Techniques and Applications참고 문헌 43인용 수 7

한 줄 요약

이 논문은 압축 감쇠 기반 CT 재구성에서 적응형 정규화 파rameter 선택 문제를 해결하기 위해, Fields of Experts 기반 반복 알고리즘을 펼쳐서 학습 가능한 정규화 파rameter를 훈련 데이터에서 학습하는 딥러닝 기반 재구성 네트워크인 LEARN을 제안한다. 이 방법은 단지 12개의 레이어만으로도 계산 복잡도를 수개의 주기로 감소시키면서도, 잡음 감소 및 특징 보존 측면에서 최첨단 기법들을 능가하는 뛰어난 영상 품질을 달성한다. 특히 Mayo Clinic Low-Dose Challenge 데이터셋에서 성능이 뛰어나다.

ABSTRACT

Compressive sensing (CS) has proved effective for tomographic reconstruction from sparsely collected data or under-sampled measurements, which are practically important for few-view CT, tomosynthesis, interior tomography, and so on. To perform sparse-data CT, the iterative reconstruction commonly use regularizers in the CS framework. Currently, how to choose the parameters adaptively for regularization is a major open problem. In this paper, inspired by the idea of machine learning especially deep learning, we unfold a state-of-the-art "fields of experts" based iterative reconstruction scheme up to a number of iterations for data-driven training, construct a Learned Experts' Assessment-based Reconstruction Network ("LEARN") for sparse-data CT, and demonstrate the feasibility and merits of our LEARN network. The experimental results with our proposed LEARN network produces a competitive performance with the well-known Mayo Clinic Low-Dose Challenge Dataset relative to several state-of-the-art methods, in terms of artifact reduction, feature preservation, and computational speed. This is consistent to our insight that because all the regularization terms and parameters used in the iterative reconstruction are now learned from the training data, our LEARN network utilizes application-oriented knowledge more effectively and recovers underlying images more favorably than competing algorithms. Also, the number of layers in the LEARN network is only 12, reducing the computational complexity of typical iterative algorithms by orders of magnitude.

연구 동기 및 목표

• 압축 감쇠 기반 CT 재구성에서 적응형 정규화 파arameter 선택 문제를 해결하기 위해.
• 데이터에서 응용 분야에 특화된 정규화를 학습하여 스parse 데이터 CT 재구성, 즉 소수의 시야 CT 및 톰오그래피에서 영상 품질을 향상시키기 위해.
• 반복적 재구성 방법의 계산 부담을 줄이면서도 재구성 정확도를 유지하거나 향상시키기 위해.
• 기존 반복 방법보다 빠르고 정확한 데이터 기반의 엔드 투 엔드 트레이너블 네트워크를 개발하기 위해.

제안 방법

• 최첨단 Fields of Experts (FoE) 기반 반복 재구성 알고리즘을 12개의 레이어를 가진 딥 네ural 네트워크로 펼쳐내었다.
• 각 레이어는 미분 가능하고 데이터 기반의 공식을 사용하여 정규화 파arameter를 학습하고 영상 추정치를 업데이트한다.
• 대규모 CT 스캔 데이터 세트를 기반으로 엔드 투 엔드로 훈련하여 최적의 정규화를 데이터로부터 학습한다.
• 반복적 수축-임계값 알고리즘에 영감을 받은 아키텍처이지만, 고정된 정규화 항을 학습된 적응형 구성요소로 대체한다.
• 학습 안정성과 수렴성을 향상시키기 위해 잔차 학습 구조를 사용한다.
• 최종 모델은 데이터 일致성 항과 학습된 사전 정보 항의 조합을 사용하여 최적화된다.

실험 결과

연구 질문

• RQ1 딥 네럴 네트워크는 훈련 데이터에서 스parse 데이터 CT 재구성에 최적의 정규화 파arameter를 효과적으로 학습할 수 있는가?
• RQ2 학습된 엔드 투 엔드 네트워크의 성능은 전통적인 반복 방법에 비해 영상 품질과 속도 측면에서 어떻게 비교되는가?
• RQ3 데이터 기반 접근 방식은 세밀한 해부학적 세부 정보를 유지하면서 계산 복잡도를 어느 정도 감소시킬 수 있는가?
• RQ4 이 네트워크는 소수의 시야 및 제한된 각도 재구성과 같은 다양한 스parse 데이터 CT 시나리오에 일반화될 수 있는가?

주요 결과

• LEARN은 Mayo Clinic Low-Dose Challenge 데이터셋에서 경쟁적인 영상 품질을 달성하였으며, 잡음 감소 및 특징 보존 측면에서 여러 최첨단 기법들을 능가하였다.
• 표준 반복 알고리즘과 비교해 계산 복잡도를 수개의 주기로 감소시켰으며, 오직 12개의 레이어만으로도 이를 달성하였다.
• 학습된 정규화 파arameter는 다양한 영상 촬영 시나리오에 효과적으로 적응하여 재구성 정확도를 향상시켰다.
• 시각적 품질과 정량적 지표 모두에서 뛰어난 성능을 달성하면서도 고성능의 계산 효율성을 유지하였다.