[논문 리뷰] Low-dose CT denoising with convolutional neural network

Hu Chen, Yi Zhang외 5명|arXiv (Cornell University)|2016. 10. 02.

Medical Imaging Techniques and Applications인용 수 8

한 줄 요약

이 논문은 원본 투과 데이터가 필요 없이 저선량 CT 영상을 정제하기 위한 딥 컨volution 신경망(CNN)을 제안한다. 이 방법은 저선량 CT 패치를 해당하는 정상선량 영상으로 매핑하도록 CNN을 훈련시키며, 시각적 및 정량적 평가에서 최신 기술 수준의 영상 품질 향상을 달성하여 임상적 방사선 선량 감소에 큰 잠재력을 보여준다.

ABSTRACT

To reduce the potential radiation risk, low-dose CT has attracted much attention. However, simply lowering the radiation dose will lead to significant deterioration of the image quality. In this paper, we propose a noise reduction method for low-dose CT via deep neural network without accessing original projection data. A deep convolutional neural network is trained to transform low-dose CT images towards normal-dose CT images, patch by patch. Visual and quantitative evaluation demonstrates a competing performance of the proposed method.

연구 동기 및 목표

• 낮은 방사선 노출로 인한 저선량 CT 스캔에서 저하된 영상 품질 문제를 해결하기 위해.
• 원본 투과 데이터에 접근이 필요 없는 딥 러닝 기반 노이즈 제거 방법을 개발하기 위해.
• 컨volution 신경망을 사용하여 저선량 영상에서 정상선량 영상으로의 매핑을 학습하여 저선량 CT 영상 품질을 향상시키기 위해.
• 노이즈 감소에서 경쟁적인 성능를 달성하면서도 해부학적 구조와 진단 정확성을 유지하기 위해.

제안 방법

• 저선량 CT 영상 패치를 해당하는 정상선량 영상 패치로 변환하도록 딥 컨volution 신경망을 훈련시킨다.
• 임상 스캔에서의 쌍체 저선량 및 정상선량 CT 영상 패치를 사용하여 네트워크를 엔드 투 엔드로 훈련시킨다.
• 복잡한 노이즈 패턴과 구조적 특징을 학습하기 위해 다수의 컨volution 및 비선형 활성화 레이어를 활용한다.
• 예측된 영상과 지상 진실 영상 간의 픽셀 단위 차이를 최소화하기 위해 평균 제곱 오차(MSE) 손실 함수를 사용하여 훈련한다.
• 패치 기반 방식으로 작동하여 효율적인 처리와 국소적 특징 학습을 가능하게 한다.
• 훈련 후 모델은 전체 저선량 CT 볼륨을 재구성하기 위해 전역적으로 적용된다.

실험 결과

연구 질문

• RQ1 원본 투과 데이터에 접근하지 못하는 상황에서 딥 CNN이 저선량 CT 영상의 노이즈를 효과적으로 제거할 수 있는가?
• RQ2 기존 방법과 비교해 제안된 CNN 기반 방법은 이미지 세부 구조를 얼마나 잘 보존하고 노이즈를 줄이는가?
• RQ3 정량적 영상 품질 지표 측면에서 제안된 방법의 성능 향상은 어떠한가?
• RQ4 모델은 다양한 해부학적 영역과 스캐너 프로토콜에 대해 일반화 가능한가?

주요 결과

• 시각적 및 정량적 평가에서 기존의 필터링 및 재구성 기법들과 비교해 제안된 방법이 뛰어난 영상 품질을 달성한다.
• 모델은 저선량 CT 스캔에서 세밀한 해부학적 구조와 에지 부분을 잘 보존하면서 노이즈를 크게 감소시킨다.
• 정량적 평가 결과, 기준 방법 대비 피크 신호 대 노이즈 비율(PSNR)과 구조적 유사도 지수(SSIM)에서 뚜렷한 향상이 나타난다.
• 다양한 해부학적 영역에서의 강건성은 일반화 능력을 시사한다.
• 원본 투과 데이터가 필요하지 않은 점은 임상 적용성과 데이터 프라이버시 보호에 유리하다.