[논문 리뷰] LEARN++: Recurrent Dual-Domain Reconstruction Network for Compressed Sensing CT

Yi Zhang, Hu Chen외 6명|arXiv (Cornell University)|2020. 12. 13.

Medical Imaging Techniques and Applications참고 문헌 49인용 수 8

한 줄 요약

LEARN++는 압축 감지 CT를 위한 순환 이중 도메인 딥 러닝 프레임워크를 제안하며, 이미지 도메인과 투과도 도메인에서 동시에 이미지 복원과 시노그램 보간을 공동 최적화한다. 병렬적이고 상호작용하는 서브넷을 통합함으로써 기존 최첨단 기법들에 비해 뛰어난 잡음 감소 및 세부 구조 보존 성능을 달성하며, 희소 시야 및 제한된 각도 CT 응용 분야에서 뛰어난 성능을 보여준다.

ABSTRACT

Compressed sensing (CS) computed tomography has been proven to be important for several clinical applications, such as sparse-view computed tomography (CT), digital tomosynthesis and interior tomography. Traditional compressed sensing focuses on the design of handcrafted prior regularizers, which are usually image-dependent and time-consuming. Inspired by recently proposed deep learning-based CT reconstruction models, we extend the state-of-the-art LEARN model to a dual-domain version, dubbed LEARN++. Different from existing iteration unrolling methods, which only involve projection data in the data consistency layer, the proposed LEARN++ model integrates two parallel and interactive subnetworks to perform image restoration and sinogram inpainting operations on both the image and projection domains simultaneously, which can fully explore the latent relations between projection data and reconstructed images. The experimental results demonstrate that the proposed LEARN++ model achieves competitive qualitative and quantitative results compared to several state-of-the-art methods in terms of both artifact reduction and detail preservation.

연구 동기 및 목표

• 기존 압축 감지 CT에서 수작업으로 설계된 정규화 항의 한계를 극복하기 위해 딥 러닝을 활용해 엔드 투 엔드 최적화를 수행하고자 한다.
• 이미지 도메인과 투과도 도메인 간의 상호작용을 공동으로 모델링하여 희소 시야 및 제한된 각도 CT에서의 이미지 품질을 향상시키고자 한다.
• 이미지 공간과 시노그램 공간에서 반복적인 정밀 조정이 가능한 순환 아키텍처를 개발하여 복원 정확도를 향상시키고자 한다.
• 저선량 또는 부족한 샘플링이 적용된 CT 스캔에서 잡음과 세부 해부학적 구조를 효과적으로 감소시키고 보존하고자 한다.
• 정성적 및 정량적 지표에서 기존 딥 러닝 기반 복원 기법들을 능가하는 성능을 달성하고자 한다.

제안 방법

• 이 방법은 이미지 도메인 복원을 위한 서브넷과 투과도 도메인에서의 시노그램 보간을 위한 서브넷을 병렬로 구동하며, 상호작용하도록 설계한다.
• 압축 감지의 최적화 과정을 모방하기 위해 순환적 아키텍처를 사용하여 반복적으로 복원 결과를 정밀 조정한다.
• 데이터 일관성이 동시에 두 도메인에서 강제되며, 이로써 도메인 간 피드백과 향상된 특징 학습이 가능해진다.
• 구조적 세부 정보를 유지하기 위해 L2 손실과 인지적 손실의 조합을 사용해 엔드 투 엔드로 모델을 훈련시킨다.
• 이중 도메인 학습을 도입함으로써 이미지 공간과 투과도 공간의 표현을 공동 최적화할 수 있도록 LEARN 모델을 확장한다.
• 순환 잔차 블록 설계를 통해 다중 반복 과정에서 기울기 안정성을 확보하고 깊이 있는 특징 학습을 가능하게 한다.

실험 결과

연구 질문

• RQ1 이미지 도메인과 투과도 도메인에서의 공동 최적화가 압축 감지 CT의 복원 품질 향상에 기여하는가?
• RQ2 반복적 이중 도메인 학습은 단일 도메인 또는 비반복적 방법에 비해 잡음 억제 및 세부 구조 보존에서 어떤 차이를 보이는가?
• RQ3 제안된 방법이 희소 시야 CT 복원에서 노이즈와 줄무늬 잡음 잡음의 정도를 어느 정도 감소시킬 수 있는가?
• RQ4 이미지 도메인과 투과도 도메인 서브넷 간의 상호작용이 구조적 정확성과 진단 정확도 향상에 기여하는가?
• RQ5 모델이 제한된 각도나 희소 시야 수집과 같은 다양한 스캔 프로토콜에 일반화되는가?

주요 결과

• LEARN++는 희소 시야 CT 데이터셋에서 PSNR 및 SSIM 지표에서 기존 최첨단 기법들을 능가하는 경쟁적인 정량적 성능을 달성한다.
• 저선량 복원에서 줄무늬 잡음과 노이즈 잡음을 크게 감소시키며 세부 해부학적 구조를 잘 보존한다.
• 시각적 비교 결과, 특히 낮은 샘플링 조건에서 기준 기법들에 비해 더 선명하고 잡음이 적은 이미지를 생성함을 확인할 수 있다.
• 이중 도메인 간 상호작용 덕분에 단일 도메인 대비 더 안정적인 훈련과 향상된 수렴 성능을 보였다.
• 순환 설계 덕분에 다중 반복 과정에서 효과적인 특징 정밀 조정이 가능하여 복원 정확도가 향상되었다.
• 내부 및 희소 시야 CT를 포함한 다양한 수집 프로토콜에서 뛰어난 견고성을 보였다.