[논문 리뷰] Multi-Scale Wavelet Domain Residual Learning for Limited-Angle CT Reconstruction

Jawook Gu, Jong Chul Ye|arXiv (Cornell University)|2017. 01. 01.

Medical Imaging Techniques and Applications인용 수 8

한 줄 요약

이 논문은 한정된 입사각에서의 프로젝션 데이터로부터 고해상도 CT 영상을 복원하기 위해 다중 척도 웨이블릿 도메인 잔차 학습 네트워크를 제안한다. 웨이블릿 도메인에서의 방향성 및 전역 분포 특성을 활용하여, 자국과 어둠진 영역 등의 잡음을 효과적으로 억제하면서도 가장자리와 구조적 세부 정보를 유지함으로써, 기존의 반복적 방법들보다 영상 품질을 크게 향상시킨다.

ABSTRACT

Limited-angle computed tomography (CT) is often used in clinical applications such as C-arm CT for interventional imaging. However, CT images from limited angles suffers from heavy artifacts due to incomplete projection data. Existing iterative methods require extensive calculations but can not deliver satisfactory results. Based on the observation that the artifacts from limited angles have some directional property and are globally distributed, we propose a novel multi-scale wavelet domain residual learning architecture, which compensates for the artifacts. Experiments have shown that the proposed method effectively eliminates artifacts, thereby preserving edge and global structures of the image.

연구 동기 및 목표

• 부분적 프로젝션 데이터로 인해 심각한 잡음이 발생하는 한정된 입사각 CT 문제를 해결한다.
• 계산 비용이 높고 만족스럽지 못한 결과를 낳는 기존의 반복적 복원 방법의 한계를 극복한다.
• 웨이블릿 도메인에서의 잡음의 방향성 및 전역 분포 특성을 활용하여 보다 효과적인 잡음 보정 전략을 설계한다.
• 웨이블릿 도메인에서 작동하는 딥 러닝 아키텍처를 개발하여 영상 복원 품질과 구조적 유지 능력을 향상시킨다.

제안 방법

• 다중 척도 웨이블릿 변환을 사용하여 입력 프로젝션 데이터를 웨이블릿 도메인으로 변환하여 방향성 민감도를 가진 서브밴드로 영상을 분해한다.
• 웨이블릿 도메인에서 잔차 학습 아키텍처를 적용하여 전역적으로 분포하고 방향적으로 구조화된 잡음을 모델링하고 억제한다.
• 웨이블릿 변환된 한정된 입사각 CT 영상과 진짜 영상 간의 잔차를 학습하기 위해 엔드 투 엔드로 네트워크를 훈련시킨다.
• 웨이블릿 서브밴드 간의 다중 척도 특징을 융합하여 다양한 공간 주파수에서의 잡음 표현을 향상시킨다.
• 노이즈 제거된 잔차 출력에 대해 역웨이블릿 변환을 수행하여 재구성된 영상을 얻는다.
• 웨이블릿의 구조 민감성과 딥 잔차 학습을 조합하여 잡음 억제 및 가장자리 유지 능력을 향상시킨다.

실험 결과

연구 질문

• RQ1 웨이블릿 도메인 표현은 한정된 입사각 CT에서의 잡음의 방향성 및 전역 분포 특성을 효과적으로 모델링할 수 있는가?
• RQ2 웨이블릿 도메인에서의 다중 척도 잔차 학습은 기존의 영상 도메인 학습에 비해 잡음 억제에 더 효과적인가?
• RQ3 제안된 방법은 자국과 어둠진 영역 잡음을 감소시키면서도 미세한 가장자리와 전반적인 영상 구조를 어느 정도 유지할 수 있는가?
• RQ4 웨이블릿 기반 잔차 학습 접근법은 계산 비용을 줄이며 기존의 반복적 방법보다 더 높은 복원 품질을 달성하는가?

주요 결과

• 제안된 방법은 한정된 입사각 CT 복원에서 자국과 어둠진 영역 잡음을 크게 감소시킨다.
• 웨이블릿 도메인 잔차 학습은 기존 방법에 비해 더 효과적으로 미세한 가장자리와 전반적인 영상 구조를 유지한다.
• 기존의 반복적 복원 기법들보다 뛰어난 영상 품질을 달성하며, 계산 비용이 높고 효과가 떨어지는 단점이 있다.
• 다중 척도 웨이블릿 표현은 다양한 공간 주파수에서의 잡음 특성 모델링에 더 유리하다.
• 웨이블릿 도메인에서의 네트워크 잔차 학습은 더 안정적이고 정확한 잡음 보정을 이끈다.
• 결과적으로, 한정된 입사각 CT에서 웨이블릿 도메인에서의 잡음 보정이 영상 도메인보다 더 효과적임을 보여준다.