[논문 리뷰] Machine-learning-based nonlinear decomposition of CT images for metal artifact reduction

Hyung Suk Park, Sung Min Lee외 2명|arXiv (Cornell University)|2017. 08. 01.

Advanced X-ray and CT Imaging참고 문헌 21인용 수 15

한 줄 요약

이 논문은 실제 허리 부위 CT 영상에 시뮬레이션된 대퇴부 프로스테제를 포함한 실제 허리 부위 CT 영상에서 줄무늬와 그림자 아티팩트를 효과적으로 감소시키기 위해, 메탈 전용 CT 영상에서 비틀림 경화화 아티팩트를 추출하도록 훈련된 U-Net 모델을 기반으로 한 딥러닝 기반의 금속 아티팩트 감소(MAR) 방법을 제안한다. 이 방법은 기준 영상이 필요한 것을 방지한다. 기존 방법보다 낮은 NRMSD 값을 기록하며, 실제 허리 부위 CT 영상에서 줄무늬와 그림자 아티팩트를 성공적으로 감소시켰다.

ABSTRACT

Computed tomography (CT) images containing metallic objects commonly show severe streaking and shadow artifacts. Metal artifacts are caused by nonlinear beam-hardening effects combined with other factors such as scatter and Poisson noise. In this paper, we propose an implant-specific method that extracts beam-hardening artifacts from CT images without affecting the background image. We found that in cases where metal is inserted in the water (or tissue), the generated beam-hardening artifacts can be approximately extracted by subtracting artifacts generated exclusively by metals. We used a deep learning technique to train nonlinear representations of beam-hardening artifacts arising from metals, which appear as shadows and streaking artifacts. The proposed network is not designed to identify ground-truth CT images (i.e., the CT image before its corruption by metal artifacts). Consequently, these images are not required for training. The proposed method was tested on a dataset consisting of real CT scans of pelvises containing simulated hip prostheses. The results demonstrate that the proposed deep learning method successfully extracts both shadowing and streaking artifacts.

연구 동기 및 목표

• 비틀림 경화화 및 비선형 효과로 인해 발생하는 CT 영상에서의 지속적인 금속 아티팩트 문제를 해결하기 위해.
• 일반적으로 금속 삽입물이 있는 임상 환경에서 기준 영상이 가용하지 않기 때문에, 기준 영상이 필요 없는 방법을 개발하기 위해.
• 합성된 메탈 전용 아티팩트 데이터를 훈련하기 위해 알려진 삽입물 기하학적 형상과 물질 특성을 활용하여 딥러닝 모델을 훈련하기 위해.
• 삽입물 기하학적 형상에 특화된 비선형 비틀림 경화화 아티팩트 표현을 학습하여 아티팩트 감소 성능을 향상시키기 위해.
• 소규모이지만 기하학적 정보를 반영한 훈련 데이터 세트가 알려지지 않은 금속 삽입물 구성으로 일반화될 수 있음을 보여주기 위해.

제안 방법

• 이 방법은 메탈 전용 CT 영상에서 비틀림 경화화 아티팩트의 비선형 표현을 학습하기 위해 U-Net 기반의 딥 네ural 네트워크를 사용한다.
• 물 등가 환경에서 금속 삽입물(예: 대퇴부 프로스테제)의 합성 CT 영상을 사용하여, 알려진 기하학적 형상과 물질 투과 계수를 기반으로 훈련한다.
• 기준 영상이 없는 상황에서 예측된 아티팩트와 실제 메탈 유도 아티팩트 간의 L2 손실을 최소화하여 아티팩트 예측을 수행한다.
• 메탈 유도 아티팩트는 순수한 메탈 스캔에서의 아티팩트를 전체 스캔 영상에서 빼면 근사가 가능하다는 가정을 하며, 아티팩트 생성 과정에서 관찰된 선형성에 기반한다.
• 아티팩트 궤적의 저차원 다양체를 통한 보간을 통해 금속 형상, 회전, 위치의 변화에 일반화된다.
• 최종 MAR 결과는 원본 아티팩트 오염 영상에서 예측된 아티팩트 지ap을 빼서 도출된다.

실험 결과

연구 질문

• RQ1 기준 영상이 없는 상황에서 딥러닝을 사용하여 금속 삽입물에서 유도된 비틀림 경화화 아티팩트를 효과적으로 추출할 수 있는가?
• RQ2 메탈 전용 CT 영상에서 훈련된 딥러닝 모델이 복잡한 금속 삽입물 기하학적 형상을 가진 실제 환자 영상에서 아티팩트를 감소시킬 수 있는가?
• RQ3 알려진 삽입물 기하학적 형상과 물질 특성을 활용하면, 데이터가 적은 상황에서 아티팩트 추출의 일반화 및 정확도가 향상되는가?
• RQ4 기존의 MAR 방법들, 예를 들어 MAC-BC와 비교하여 제안된 방법의 성능은 정량적으로 어떻게 평가되는가? 아티팩트 감소 및 배경 복원 측면에서.
• RQ5 소규모이지만 기하학적 정보를 반영한 훈련 데이터 세트가 다양한 금속 삽입물 구성에 걸쳐 안정적인 아티팩트 추출을 달성할 수 있는가?

주요 결과

• 제안된 방법은 모든 테스트 방법 중에서 가장 낮은 정규화된 제곱근 평균 제곱 오차(NRMSD)를 기록했으며, Pelvis 2에서는 13.60%, Pelvis 1에서는 14.67%, Pelvis 3에서는 16.43%, Pelvis 4에서는 16.87%였다.
• 시각적으로 확인된 lin에 따라, 메소드는 줄무늬 아티팩트 감소 측면에서 MAC-BC 방법을 능가했으며, 그림 7의 네 번째 열에서 잔류 아티팩트가 관찰되지 않았다.
• L2 오차는 훈련 중 수렴했고, 훈련 에포크 수가 증가함에 따라 아티팩트 감소 성능이 향상되어 안정적인 학습을 보였다.
• 소규모 훈련 이미지 세트를 사용했음에도 불구하고, 아티팩트 궤적의 다양체를 통한 보간을 통해 알려지지 않은 금속 삽입물 구성으로 잘 일반화되었다.
• 이 방법은 실제 허리 부위 CT 영상에서 시뮬레이션된 대퇴부 프로스테제를 포함하여 그림자와 줄무늬 아티팩트를 성공적으로 추출했다.
• 훈련 중 기준 영상이 없었음에도 불구하고, 모델이 합성된 메탈 전용 아티팩트 데이터에서 학습함으로써 성능에 지장을 주지 않았다.