[논문 리뷰] Low dose SPECT image denoising using a generative adversarial network

Qi Zhang, Jingzhang Sun외 1명|arXiv (Cornell University)|2019. 07. 27.

Medical Imaging Techniques and Applications참고 문헌 9인용 수 6

한 줄 요약

이 논문은 저선량 SPECT 영상의 노이즈 제거를 위한 조건부 생성 적대 신경망(cGAN)을 제안한다. 고노이즈 SPECT 영상을 입력으로 사용하고, 저노이즈 영상을 진짜 타겟으로 삼아 생성자 모델이 진단 가능한 품질의 영상을 생성하도록 훈련시킨다. 이 방법은 정규화된 표준편차(NSD) 기준으로 노이즈를 43% 감소시켰으며, 원본 고노이즈 영상의 NSD 0.1213에서 노이즈 제거 후 NSD 0.0693로 감소시켰고, 저노이즈 기준 영상(NSD = 0.0502)에 근접한 품질을 달성하였다.

ABSTRACT

The image noise level and resolution of SPECT images are relatively poor attributed to the limited number of detected counts and various physical degradation factors during acquisitions. This study aims to apply and evaluate the use of generative adversarial network (GAN) method in static SPECT image denoising. A population of 4D extended cardiac-torso (XCAT) phantoms were used to simulate 10 male and female patients with different organ sizes and activity uptakes. An analytical projector was applied to simulate 120 projections from right anterior oblique to left posterior oblique positions with two noise levels. The first noise level was based on a standard clinical count rate of 987 MBq injection and 16 min acquisition (low noise) while the other was 1/8 of the previous count rate (high noise). The high noise and low noise SPECT reconstructed images of 9 patients, i.e., 1026 images (9*114 axial slices) respectively, were paired for training. High noise SPECT images of 1 patient were tested using the trained GAN. The noise level is substantially reduced in high noise SPECT reconstructed images after using the GAN. Our method has the potential to decrease the noise level of SPECT images, which could be traded for a reduced injection dose or acquisition time while still maintaining the similar image quality as compared to the original low noise images for clinical diagnosis.

연구 동기 및 목표

• 저선량 SPECT 영상에서 높은 노이즈와 낮은 해상도 문제를 해결하여 병변 탐지 및 임상 진단에 악영향을 미치지 않도록 하는 것.
• CT나 MRI에 비해 연구가 미흡한 분야인 SPECT 영상의 노이즈 제거에 생성 적대 신경망(GANs)의 적용 가능성을 탐색하는 것.
• 조건부 GAN이 저선량, 고노이즈 영상에서 고품질 SPECT 영상을 효과적으로 재구성할 수 있는지 평가하는 것.
• 노이즈가 많은 데이터로부터 진단적으로 동등한 영상을 생성함으로써 임상적 SPECT 촬영에서 선량 감소를 가능하게 하는 것.
• 다양한 해부학적 및 집합 특성을 가진 실제적인 XCAT 토모그래프를 사용한 시뮬레이션 환자 데이터를 기반으로 방법을 검증하는 것.

제안 방법

• 9개의 시뮬레이션 XCAT 토모그래프를 사용하여 조건부 GAN(cGAN)을 훈련하였으며, 고노이즈 SPECT 영상을 입력으로, 해당하는 저노이즈 영상을 진짜 타겟으로 사용하였다.
• 생성자 네트워크는 고노이즈 SPECT 영상을 입력으로 받아 노이즈 제거된 출력을 생성하고, 구분자(discriminator)는 생성된 영상과 진짜 저노이즈 영상 간을 구분한다.
• 학습은 Adam 옵timizer를 사용하여 학습률 0.00001로 설정하고, GTX 1070 GPU에서 800 에포크 동안 수행되었으며, 쌍으로 구성된 고노이즈 및 저노이즈 영상 세트를 사용하였다.
• 이미지 재구성은 120개의 투영에서 유도된 4D XCAT 토모그래프 기반으로 5회의 반복과 6개의 서브셋을 사용한 OS-EM 알고리즘을 적용하였다.
• 노이즈 수준은 82픽셀 크기의 2D 간장 ROI에서 정규화된 표준편차(NSD)를 사용하여 노이즈 제거된 영상과 원본 영상 간 비교를 위해 측정하였다.
• 훈련 데이터는 총 1026개의 쌍(9명의 환자 × 114개의 축방향 슬라이스)으로 구성되었으며, 한 명의 환자는 모델의 일반화 능력을 평가하기 위해 테스트용으로 확보하였다.

실험 결과

연구 질문

• RQ1 조건부 GAN은 진단 가능한 영상 품질을 유지하면서 저선량 SPECT 영상의 노이즈를 효과적으로 감소시킬 수 있는가?
• RQ2 GAN으로 생성된 영상은 노이즈 감소와 구조적 충실도 측면에서 저노이즈 기준 영상과 어느 정도 유사한 품질을 가지는가?
• RQ3 cGAN 기반 접근법은 영상 품질을 손상시키지 않고 주입된 방사성 동위원소 농도나 촬영 시간을 줄이는 데 기여하는가?
• RQ4 伝통적인 노이즈 제거 기법에 비해 GAN 기반 방법은 노이즈 억제 및 아티팩트 제어 측면에서 어떤 성능을 보이는가?
• RQ5 학습에 사용되지 않은 환자 해부학적 구조와 집합 패턴을 가진 새로운 토모그래프에서 모델의 일반화 능력은 어떻게 평가되는가?

주요 결과

• 제안된 cGAN은 고노이즈 SPECT 영상의 정규화된 표준편차(NSD)를 0.1213에서 노이즈 제거 후 0.0693으로 감소시켜 노이즈 감소율 43%를 달성하였다.
• 노이즈 제거된 영상의 NSD는 0.0693으로, 원본 저노이즈 기준 영상(NSD = 0.0502)과 매우 가까운 수준을 기록하여 고품질 재구성의 가능성을 시사한다.
• 비교 영상 분석을 통해 해부학적 구조와 영상 대비를 효과적으로 유지하였으며, 눈에 띄는 노이즈 감소 효과가 확인되었다.
• 800 에포크 동안 안정적으로 수렴한 훈련 과정을 거쳐 단일 GPU에서 총 2.7시간의 훈련 시간이 소요되었다.
• 학습에 사용되지 않은 환자 토모그래프에서의 성능 평가를 통해 모델의 일반화 능력이 입증되었으며, 임상 적용 가능성에 기여한다.
• 결과적으로 cGAN 기반 접근법은 낮은 카운트에서 진단적으로 수용 가능한 영상을 생성할 수 있어 SPECT 영상 촬영에서 선량 감소를 지원할 수 있음을 시사한다.