[논문 리뷰] Low-Dose CT via Deep Neural Network

Hu Chen, Yi Zhang외 5명|arXiv (Cornell University)|2016. 09. 27.

Medical Imaging Techniques and Applications참고 문헌 42인용 수 7

한 줄 요약

이 논문은 원본 프로젝션 데이터가 필요 없이 저선량 스캔에서 고품질 CT 영상을 복원하기 위한 딥 컨volution 뉴럴 네트워크(DNN)를 제안한다. 저선량 및 해당 정상선량 영상의 패치 쌍을 기반으로 훈련시켜, 양적 및 정성적 평가에서 기존 방법보다 뛰어난 노이즈 감소 및 영상 품질 향상을 달성한다.

ABSTRACT

In order to reduce the potential radiation risk, low-dose CT has attracted more and more attention. However, simply lowering the radiation dose will significantly degrade the imaging quality. In this paper, we propose a noise reduction method for low-dose CT via deep learning without accessing the original projection data. An architecture of deep convolutional neural network was considered to map the low-dose CT images into its corresponding normal-dose CT images patch by patch. Qualitative and quantitative evaluations demonstrate a state-the-art performance of the proposed method.

연구 동기 및 목표

• 저선량 CT 영상 촬영에서 방사선 선량을 줄이되, 진단용 영상 품질을 유지하는 데 도전하는 것.
• 원본 프로젝션 데이터에 접근할 수 없는 딥 러닝 기반 방법을 개발하여 저선량 CT 영상을 향상시키는 것.
• 노이즈 감소와 저선량 CT 스캔에서의 구조적 세부 정보 유지로 영상 품질을 향상시키는 것.
• 시각적 평가 및 정량적 평가 모두에서 기존 복원 기법들보다 뛰어난 성능을 달성하는 것.

제안 방법

• 저선량 CT 영상 패치에서 해당 정상선량 대응 영상으로 매핑하는 데 목적이 있는 딥 컨volution 뉴럴 네트워크를 훈련한다.
• 저선량 및 정상선량 영상 패치의 쌍을 이용해 네트워크를 엔드 투 엔드로 훈련한다.
• 복잡한 노이즈 패턴과 영상 구조를 학습하기 위해 다수의 컨볼루션 및 비선형 활성화 레이어를 활용한다.
• 이 방법은 사전 처리된 영상에 직접 작용하여, 시노그램 수준의 데이터나 반복적 복원 과정이 필요 없도록 한다.
• 예측된 영상와 진정값 영상 간 픽셀 단위의 재구성 오차를 최소화하는 손실 함수를 사용해 훈련한다.
• 모델 평가에는 정성적 시각적 검토와 정량적 지표인 PSNR 및 SSIM이 함께 사용된다.

실험 결과

연구 질문

• RQ1 원본 프로젝션 데이터에 접근할 수 없더라도, 딥 네트워크가 저선량 CT 스캔에서 진단용 영상 품질을 효과적으로 복원할 수 있는가?
• RQ2 제안된 DNN 기반 방법은 기존의 전통적 및 딥 러닝 기반 방법과 비교해 노이즈 감소 및 구조적 정보 유지 측면에서 어떻게 성능을 냈는가?
• RQ3 네트워크는 저선량 CT 복원에서 다양한 해부학적 부위와 환자 유형에 대해 얼마나 잘 일반화되는가?
• RQ4 네트워크의 깊이 및 아키텍처는 재구성 정확도와 계산 효율성에 어떤 영향을 미치는가?

주요 결과

• 제안된 방법은 기존 방법보다 정성적 품질과 정량적 지표 모두에서 최신 기술 수준의 성능을 달성하여 저선량 CT 영상 복원 분야에서 뛰어난 성능을 보였다.
• 시각적 검토를 통해 모델이 노이즈를 크게 감소시키면서도 미세한 해부학적 세부 정보를 잘 유지하는 것으로 확인되었다.
• 정량적 평가 결과, 기준 방법 대비 피크 신호 대 노이즈비(PSNR)와 구조적 유사도 지수-SSIM에서 상당한 향상이 있었다.
• 다양한 스캔 프로토콜과 해부학적 부위에 걸쳐 네트워크가 잘 일반화되어 있어, 선량과 해부학적 변동성에 대해 강건함을 입증했다.
• 원본 프로젝션 데이터가 필요 없어, 이러한 데이터가 확보되지 않는 임상 현장에서의 구현에 실용적이다.