[논문 리뷰] Momentum-Net for Low-Dose CT Image Reconstruction

Siqi Ye, Yong Long외 1명|arXiv (Cornell University)|2020. 02. 27.

Medical Imaging Techniques and Applications참고 문헌 23인용 수 4

한 줄 요약

이 논문은 저선량 CT 영상 복원을 위한 빠른 반복 신경망 아키텍처인 Momentum-Net을 제안한다. 이는 모델 기반 영상 복원(MBIR)과 각 층에서 영상 정제를 위한 4층 잔차 CNN을 결합한다. 이 방법은 WavResNet과 같은 최신 비반복 노이즈 제거 네트워크보다 재구성 정확도를 크게 향상시켜 더 낮은 RMSE와 향상된 시각적 품질을 달성하지만, 스펙트럼 정규화 기법은 성능 향상에 기여하지 않는다.

ABSTRACT

This paper applies the recent fast iterative neural network framework, Momentum-Net, using appropriate models to low-dose X-ray computed tomography (LDCT) image reconstruction. At each layer of the proposed Momentum-Net, the model-based image reconstruction module solves the majorized penalized weighted least-square problem, and the image refining module uses a four-layer convolutional neural network (CNN). Experimental results with the NIH AAPM-Mayo Clinic Low Dose CT Grand Challenge dataset show that the proposed Momentum-Net architecture significantly improves image reconstruction accuracy, compared to a state-of-the-art noniterative image denoising deep neural network (NN), WavResNet (in LDCT). We also investigated the spectral normalization technique that applies to image refining NN learning to satisfy the nonexpansive NN property; however, experimental results show that this does not improve the image reconstruction performance of Momentum-Net.

연구 동기 및 목표

• 저선량 CT 영상 복원 시 방사선 노출을 줄이면서도 높은 영상 품질을 유지하는 데 도전한다.
• 희소한 고선량 參고 데이터로 인해 일반화 능력이 제한되고 과적합 위험이 높은 기존의 비반복 노이즈 제거 딥 뉴럴 네트워크인 WavResNet과 같은 기법을 개선한다.
• 빠른 반복 신경망 프레임워크인 Momentum-Net을 통합하여 모델 기반 영상 복원(MBIR)의 수렴 속도를 가속화한다.
• Momentum-Net 프레임워크 내에서 영상 정제 신경망의 성능 향상에 스펙트럼 정규화 기법이 기여하는지 조사한다.

제안 방법

• Momentum-Net은 각 층에서 세 가지 구성 요소를 통합하는 계층적 아키텍처를 사용한다: 학습된 잔차 CNN을 통한 영상 정제, 수렴 가속화를 위한 외삽, 그리고 주요화된 가중치가 부여된 최소 제곱(MWLS) MBIR 모듈.
• 영상 정제 모듈은 매개변수를 이전 층으로부터 초기화한 4층 잔차 CNN인 SimpleCNN를 사용하며, 수식은 $\mathcal{D}_{\theta^{(l+1)}}(\mathbf{x}^{(l)}) = \mathbf{x}^{(l)} - \mathcal{R}_{\theta^{(l+1)}}(\mathbf{x}^{(l)})$ 로 정의된다.
• MBIR 모듈은 폐쇄형 해를 사용하여 주요화된 가중치가 부여된 최소 제곱 문제를 해결하여 내부 반복 방법보다 더 빠른 수렴을 가능하게 한다.
• 스펙트럼 정규화(RSN)는 잔차 매핑과 노이즈 제거기에서 비확장성 성질을 강제하기 위해 적용되며, 두 가지 변형이 존재한다: SimpleCNN-RSN 및 Dn-RSN.
• 학습은 재구성된 출력과 기준 영상 간의 평균 제곱 오차(MSE) 손실을 사용하며, Adam 최적화와 학습률 감소 전략을 적용한다.
• 프레임워크는 RMSE와 시각적 평가를 통해 NIH AAPM-Mayo 클리닉 저선량 CT 그랜드 챌린지 데이터셋에서 평가된다.

실험 결과

연구 질문

• RQ1 WavResNet과 같은 최신 비반복 노이즈 제거 네트워크에 비해 Momentum-Net은 저선량 CT 복원 정확도를 상당히 향상시킬 수 있는가?
• RQ2 영상 정제 신경망에 스펙트럼 정규화를 적용하면 Momentum-Net의 저선량 CT 복원 성능이 향상되는가?
• RQ3 스펙트럼 정규화로 강제된 비확장성 성질이 Momentum-Net 프레임워크 내에서 영상 복원의 안정성과 정확성에 기여하는가?
• RQ4 MBIR와 딥 러닝 모듈을 반복적으로 통합함으로써 비반복 방법에 비해 수렴 속도와 복원 품질에 어떤 영향을 미치는가?
• RQ5 잔차 노이즈 제거 신경망의 다양한 학습 전략이 복원 성능에 어떤 영향을 미치는가?

주요 결과

• SimpleCNN를 사용한 Momentum-Net은 평균 RMSE를 3.55 HU로 줄여 WavResNet(36.10 HU)보다 4.5 HU 향상되었고, FBP(117.85 HU)에 비해 114.3 HU 감소시켰다.
• Momentum-Net은 WavResNet(6.46 HU)보다 더 낮은 RMSE 표준편차(3.55 HU)를 기록하여 복원의 안정성이 향상됨을 시사한다.
• 시각적 결과에서는 SimpleCNN를 사용한 Momentum-Net이 WavResNet에 비해 세밀한 디테일을 더 잘 유지하고 스트레이프 아티팩트를 줄이는 것으로 나타났다. 특히 영상의 확대 영역에서 두드러진다.
• SimpleCNN-RSN를 사용한 Momentum-Net은 평균 RMSE가 36.10 HU로 WavResNet(6.46 HU)보다 높게 나타나 RSN 기반 학습이 성능 향상에 기여하지 않음을 시사한다.
• 스킵 연결을 제거하고 전체 노이즈 제거기에서 RSN을 적용한 Dn-RSN 변형은 RMSE 41.72 HU로 가장 열악한 성능을 보였으며, 이는 RSN이 복원 품질 향상에 기여하지 않으며 오히려 품질 저하를 유발할 수 있음을 시사한다.
• 스펙트럼 정규화 기법은 이론적으로 비확장성 매핑을 강제하는 데 유리할 수 있으나, Momentum-Net 내에서는 복원 정확도 향상에 기여하지 않았다.