[논문 리뷰] Limited View Tomographic Reconstruction Using a Deep Recurrent Framework with Residual Dense Spatial-Channel Attention Network and Sinogram Consistency
이 논문은 제한된 시노그램 데이터를 바탕으로 한 한정 시야 CT 재구성에 적합한 순환 딥러닝 프레임워크인 R2edSCAN을 제안한다. 이는 잔차 밀도 공간-채널 주의망과 시노그램 일관성 레이어를 결합하여 투과 영역의 일관성을 강제함으로써 성능을 향상시킨다. 제안된 방법은 기존 방법 대비 한정된 시야 재구성에서 PSNR를 5 dB 이상, 희소 시야 재구성에서 약 4 dB 향상시켜 최신 기술 수준을 초월한다.
Limited view tomographic reconstruction aims to reconstruct a tomographic image from a limited number of sinogram or projection views arising from sparse view or limited angle acquisitions that reduce radiation dose or shorten scanning time. However, such a reconstruction suffers from high noise and severe artifacts due to the incompleteness of sinogram. To derive quality reconstruction, previous state-of-the-art methods use UNet-like neural architectures to directly predict the full view reconstruction from limited view data; but these methods leave the deep network architecture issue largely intact and cannot guarantee the consistency between the sinogram of the reconstructed image and the acquired sinogram, leading to a non-ideal reconstruction. In this work, we propose a novel recurrent reconstruction framework that stacks the same block multiple times. The recurrent block consists of a custom-designed residual dense spatial-channel attention network. Further, we develop a sinogram consistency layer interleaved in our recurrent framework in order to ensure that the sampled sinogram is consistent with the sinogram of the intermediate outputs of the recurrent blocks. We evaluate our methods on two datasets. Our experimental results on AAPM Low Dose CT Grand Challenge datasets demonstrate that our algorithm achieves a consistent and significant improvement over the existing state-of-the-art neural methods on both limited angle reconstruction (over 5dB better in terms of PSNR) and sparse view reconstruction (about 4dB better in term of PSNR). In addition, our experimental results on Deep Lesion datasets demonstrate that our method is able to generate high-quality reconstruction for 8 major lesion types.
연구 동기 및 목표
- 부분적인 시노그램 데이터로 인해 발생하는 심각한 잡음과 아티팩트 문제를 해결하기 위해.
- 기존 딥러닝 기법들이 투과 영역 일관성이 부족하고 UNet과 같은 고정 아키텍처에 의존하는 한계를 극복하기 위해.
- 예측된 시노그램과 측정된 시노그램 간의 일관성을 강제하면서도 반복적으로 재구성을 개선하는 순환 프레임워크를 개발하기 위해.
- 특히 이질적 또는 저대비 병변의 경우에 병변의 가시성과 구조적 유지 능력을 향상시키기 위해.
- 진단 품질을 손상시키지 않은 채 방사선 선량을 줄이고 스캔 시간을 단축시킬 수 있는 고정밀 재구성 기술을 제공하기 위해.
제안 방법
- 프레임워크는 동일한 잔차 밀도 공간-채널 주의망(ReDSCAN) 블록을 반복적으로 스택하여 순환적으로 재구성을 개선하는 설계를 채택한다.
- 각 ReDSCAN 블록은 밀도 잔차 연결과 공간-채널 주의 메커니즘을 사용하여 특징 학습 능력을 향상시키고 세밀한 디테일을 유지한다.
- 각 순환 블록 이후에 시노그램 일관성 레이어(SCL)를 삽입하여 중간 이미지를 다시 투과 영역으로 매핑하고 측정된 제한된 시야 또는 희소 시야 투과 데이터와의 일관성을 강제한다.
- SCL은 FBP를 사용해 정방향 및 역방향 투과를 수행하여 예측된 시노그램과 측정된 시노그램 간의 차이를 계산하며, 이는 네트워크 최적화를 위한 지도 역할을 한다.
- 전체 네트워크는 픽셀 수준 정확도와 구조적 일관성을 균형 있게 유지하기 위해 L1 손실과 인지적 손실의 조합으로 엔드 투 엔드로 훈련된다.
- 임상적으로 관련성이 있는 재구성 작업 평가를 위해 AAPM 저선량 CT 그랜드 챌린지 및 Deep Lesion 데이터셋을 모두 활용하여 프레임워크를 평가한다.
실험 결과
연구 질문
- RQ1반복적 개선 기능을 갖춘 순환 딥러닝 프레임워크는 UNet과 같은 고정 아키텍처 모델을 초월하여 한정 시야 CT 재구성 성능을 향상시킬 수 있는가?
- RQ2전용 레이어를 통해 시노그램 일관성을 강제하면 재구성 품질 향상과 아티팩트 감소에 상당한 기여를 하는가?
- RQ3제안된 방법은 저대비 또는 이질적인 병변에서 혈관 공급 구조나 질감과 같은 세밀한 해부학적 및 병변 특이적 구조를 유지할 수 있는가?
- RQ4반복 횟수에 따라 순환 프레임워크의 성능는 어떻게 변화하며, 정확도, 메모리 소비, 추론 시간 간의 최적 균형은 무엇인가?
- RQ5평행빔 외의 다양한 촬영 기하학적 구조에 대해서도 시노그램 일관성 레이어를 효과적으로 적용할 수 있는가?
주요 결과
- AAPM 저선량 CT 그랜드 챌린지 데이터셋에서 제안된 R2edSCAN 방법은 최신 기술 대비 한정된 시야 재구성에서 PSNR가 5 dB 이상 높은 일관되고 뚜렷한 향상을 보였다.
- 희소 시야 재구성에서는 기존 딥러닝 기반 접근법 대비 약 4 dB 높은 PSNR를 기록하여 뛰어난 노이즈 억제 및 아티팩트 감소 능력을 입증했다.
- 이 방법은 이전 방법이 제한된 시야 조건에서 완전히 무시했던 폐 병변의 혈관 공급 구조까지도 성공적으로 복원했다.
- Deep Lesion 데이터셋에서 R2edSCAN은 저대비 연조직 배경에서 조차도 여덟 가지 주요 병변 유형의 병변 경계와 내부 질감을 유지했으며, 이는 이전 방법이 부드럽게 만드는 경향이 있던 문제를 해결했다.
- 네트워크의 성능 향상은 네 번째 순환 반복 이후 수렴하기 시작했으며, n=4로 설정할 경우 메모리 소비, 추론 시간(~120 ms), 재구성 품질 간의 균형을 잘 맞춘 최적의 조합을 제공했다.
- 시노그램 일관성 레이어가 데이터 일관성을 크게 향상시켰으며, 이는 예측된 시노그램과 측정된 시노그램 간의 차이가 감소한 것으로 확인되었고, 이는 더 정확하고 진단적으로 신뢰할 수 있는 재구성 결과를 이끌어냈다.
더 나은 연구,지금 바로 시작하세요
논문 읽기부터 검토까지, 연구 시간을 획기적으로 줄여보세요.
카드 등록 없음 · 무료 플랜 제공
이 리뷰는 AI가 만들고, 인간 에디터가 검토했습니다.