[논문 리뷰] Monochromatic CT Image Reconstruction from Current-Integrating Data via Deep Learning

Wenxiang Cong, Ge Wang|arXiv (Cornell University)|2017. 10. 10.

Advanced X-ray and CT Imaging인용 수 10

한 줄 요약

이 논문은 이중에너지 스캔이 필요 없이, 전통적인 전류 적분 투과도 데이터에서 직접 단색 CT 영상을 복원하기 위한 딥러닝 기반 방법을 제안한다. 측정된 투과도에 비선형 보정을 학습함으로써, 빔 하드닝을 정확히 보정하고 투과도 보정에서 0.2% 미만의 상대 오차를 달성하여 표준 임상 CT 스캐너를 사용해 고해상도 단색 영상 재구성을 가능하게 한다.

ABSTRACT

In clinical CT, the x-ray source emits polychromatic x-rays, which are detected in the current-integrating mode. This physical process is accurately described by an energy-dependent non-linear integral model on the basis of the Beer-Lambert law. However, the non-linear model is too complicated to be directly solved for the image reconstruction, and is often approximated to a linear integral model in the form of the Radon transform, basically ignoring energy-dependent information. This model approximation would generate inaccurate quantification of attenuation image and significant beam-hardening artifacts. In this paper, we develop a deep-learning-based CT image reconstruction method to address the mismatch of computing model to physical model. Our method learns a nonlinear transformation from big data to correct measured projection data to accurately match the linear integral model, realize monochromatic imaging and overcome beam hardening effectively. The deep-learning network is trained and tested using clinical dual-energy dataset to demonstrate the feasibility of the proposed methodology. Results show that the proposed method can achieve a high accuracy of the projection correction with a relative error of less than 0.2%.

연구 동기 및 목표

• 임상 CT에서 사용되는 선형화된 모델과 실제 다색 X선 물리학 간의 불일치를 해결하기 위해.
• 에너지 의존적인 X선 감쇠 모델의 비선형성을 근사화함으로써 발생하는 빔 하드닝 아티팩트를 극복하기 위해.
• 측정 데이터 기반의 딥러닝 프레임워크를 개발하여 전류 적분 투과도 데이터를 보정함으로써 정확한 단색 영상 재구성을 학습하기 위해.
• 하드웨어 수정 없이도 임상 이중에너지 CT 데이터셋을 사용하여 가능성을 입증하기 위해.

제안 방법

• 딥 네트워크는 원시 전류 적분 투과도 데이터에서 보정된 투과도로의 비선형 변환을 학습하도록 훈련된다. 이 보정된 투과도는 선형 적분 모델과 일치하도록 한다.
• 네트워크는 임상 이중에너지 CT 데이터셋을 사용하여 다색 측정치와 그에 해당하는 단색 등가치 간의 매핑을 학습한다.
• 복잡한 에너지 의존적 적분 모델을 직접 해결할 필요 없이, 데이터 기반으로 보정을 학습함으로써 방법을 간소화한다.
• 네트워크 아키텍처는 예측된 값과 진짜 단색 투과도 간의 차이를 최소화하도록 최적화된다.
• 엔드 투 엔드 학습을 활용하여 측정 데이터를 단색 영상 공간으로 매핑하면서 물리적 일관성을 유지한다.
• 모델은 임상 데이터를 사용하여 검증되어 실제 적용 가능성과 강건성을 확보한다.

실험 결과

연구 질문

• RQ1 딥러닝은 전류 적분 투과도 데이터를 기반으로 학습함으로써 기존 CT에서의 빔 하드닝 아티팩트를 효과적으로 보정할 수 있는가?
• RQ2 학습된 비선형 변환은 기존 선형 근사와 비교해 단색 영상 재구성 정확도를 얼마나 향상시킬 수 있는가?
• RQ3 이중에너지 스캔 없이도 표준 임상 CT 하드웨어와 데이터만으로 단색 CT 영상 재구성을 실현 가능한가?
• RQ4 딥러닝 모델은 선형 적분 모델을 사용하는 영상 재구성과 일치하도록 투과도 데이터를 얼마나 정확히 보정할 수 있는가?
• RQ5 제안된 방법은 복잡한 다색 X선 감쇠 물리 모델링 없이도 고해상도 영상 품질을 유지할 수 있는가?

주요 결과

• 제안된 딥러닝 방법은 측정된 투과도 데이터 보정에서 상대 오차가 0.2% 미만임을 확인하여 투과도 보정의 높은 정확도를 입증한다.
• 비선형 다색 측정치와 단색 영상 공간 간의 관계를 학습함으로써 빔 하드닝 아티팩트를 효과적으로 억제한다.
• 이중에너지 스캔이나 하드웨어 변경 없이도 전류 적분 데이터를 단색 영상 재구성으로 성공적으로 매핑한다.
• 실제 임상 이중에너지 CT 데이터셋을 사용하여 방법의 실현 가능성과 강건성을 입증하여 임상적 관련성을 확인한다.
• 딥러닝이 CT에서 실제 X선 물리학과 단순화된 선형 재구성 모델 간 격차를 메울 수 있음을 확인한다.
• 이 방법은 복잡한 모델링 없이도 표준 CT 스캐너를 사용해 고해상도 단색 영상 재구성을 가능하게 하여 실용적인 솔루션을 제공한다.