[논문 리뷰] Near-Exact Recovery for Tomographic Inverse Problems via Deep Learning

Martin Genzel, Ingo Gühring외 2명|arXiv (Cornell University)|2022. 06. 14.

Medical Imaging Techniques and Applications인용 수 30

한 줄 요약

이 논문은 데이터 구동형 전방-모델 보정이 포함된 반복적 엔드-투-엔드 신경망(ItNet)이 노이즈 없는 데이터에서 희소 뷰 CT에 대해 거의 정확한 재구성을 달성하고, 강력한 기준선을 능가하며 TV-최적화 정밀도와 일치함을 보여준다.

ABSTRACT

This work is concerned with the following fundamental question in scientific machine learning: Can deep-learning-based methods solve noise-free inverse problems to near-perfect accuracy? Positive evidence is provided for the first time, focusing on a prototypical computed tomography (CT) setup. We demonstrate that an iterative end-to-end network scheme enables reconstructions close to numerical precision, comparable to classical compressed sensing strategies. Our results build on our winning submission to the recent AAPM DL-Sparse-View CT Challenge. Its goal was to identify the state-of-the-art in solving the sparse-view CT inverse problem with data-driven techniques. A specific difficulty of the challenge setup was that the precise forward model remained unknown to the participants. Therefore, a key feature of our approach was to initially estimate the unknown fanbeam geometry in a data-driven calibration step. Apart from an in-depth analysis of our methodology, we also demonstrate its state-of-the-art performance on the open-access real-world dataset LoDoPaB CT.

연구 동기 및 목표

• 딥러닝 해결기가 노이즈가 없는 CT의 역문제에서 거의 완벽한 회복을 달성할 수 있는지 여부를 동기 부여한다.
• 전방 연산자 추정, 엔드-투-엔드 사전 학습 UNet 백본 및 반복 데이터 일관성을 포함하는 데이터 기반 파이프라인을 개발한다.
• 챌린지 베이스라인 및 실제 데이터에 대해 평가하고 데이터 일관성 및 전달 모델 영향 분석을 수행한다.
• 합성 데이터를 넘어 일반화되는 설계 선택에 대한 통찰을 제공한다.

제안 방법

• Step 1 – 데이터 기반 기하 식별을 통해 알려지지 않은 팬빔 전달 연산자를 추정하기 위해 좌표 강하를 포함한 gradient-descent 유사 최적화를 사용하여 4000개의 sinogram–이미지 쌍을 활용한다.
• Step 2 – 경험적 위험 최소화를 통해 희소 뷰 FBP 재구성을 후처리하기 위한 계산적 백본으로 UNet의 사전 학습을 수행한다.
• Step 3 – UNet 기반 향상을 데이터-일관성 단계와 교대시키고, forward model 일관성을 강제하기 위해 FBP를 사용하여 ItNet를 구성하는 반복 체계를 제시한다.
• 적은 수의 반복(K)과 가중치 공유 실험 및 Step 2로부터의 사전 초기화를 사용하여 성능을 향상시킨다.
• 데이터-일관성과 전달 모델 오차를 분석하여 학습된 전달 연산자에 의존하는 정확도 정도를 평가한다.

실험 결과

연구 질문

• RQ1 노이즈 없는 토모그래픽 역문제에서 엔드투엔드 네트워크가 거의 완벽한 정확성을 달성할 수 있는가?
• RQ2 명시적으로 학습된 전달 모델의 도입이 고정밀 재구성 달성에 어떤 역할을 하는가?
• RQ3 사전 학습 및 반복 연결(ItNet)이 희소 뷰 CT에서 단순한 후처리나 다른 학습된 프라이멀-듀얼 방식보다 우수한가?
• RQ4 학습된 전달 연산자가 Synthetic 데이터와 LoDoPaB CT 데이터 세트 간 데이터 분포에 따라 데이터-일관성과 전반적인 재구성 품질에 어떤 영향을 주는가?

주요 결과

방법	RMSE
Challenge FBP	5.72e-3
UNet∘FBP	3.40e-3
ItNet_4	3.50e-4
ItNet-post	1.64e-5
ItNet-post ens.	1.05e-5
Tiramisu	6.42e-6
LPD	2.24e-4
LPD+Tiramisu	1.24e-4

• ItNet-post 앙상블은 AAPM 테스트 세트에서 거의 정확한 재구성을 달성했고, 최종 챌린지 평가에서 RMSE가 6.37e-6까지 떨어진다.
• ItNet 변형은 챌린지 데이터에서 post-processed UNet∘FBP, Tiramisu, 학습된 프라이멀-듀얼(LPD)보다 우수하다.
• 데이터-일관성 분석은 남은 오차의 주된 원인이 재구성 네트워크보다 전달-모델 추정 오차에서 비롯됨을 보여주며, 더 정확한 전달 연산자에서 개선 여지가 있음을 시사한다.
• UNet 블록의 사전 학습과 Step 2 가중치로 ItNet을 초기화하면 수렴 속도와 최종 정확도가 크게 향상된다.
• 거의 정확한 재구성에는 소수의 전달-모델 평가만 필요하며, K=5 반복에서 비공유 가중치가 강력한 성능을 보이는 황금점이 있다.