[논문 리뷰] Neural-networks-based Photon-Counting Data Correction: Pulse Pileup Effect

Ruibin Feng, David S. Rundle외 1명|arXiv (Cornell University)|2018. 04. 29.

Advanced X-ray and CT Imaging참고 문헌 33인용 수 6

한 줄 요약

이 논문은 펄스 중첩 효과로 인해 열악해진 광자 수세기 검출기(PCD) 데이터를 보정하기 위한 모델 기반, 엔드 투 엔드, 데이터 기반 신경망 접근법을 제안한다. 시뮬레이션된 측정값과 진짜 카운트를 기반으로 훈련된 완전 연결 캐스케이드 신경망을 사용하여 다양한 PCD 구성에서 고해상도 데이터를 복원하며, 상대 오차를 한 계급 감소시켰고, 다양한 감쇠 경로에서도 낮은 분산을 유지한다.

ABSTRACT

Compared with the start-of-art energy integration detectors (EIDs), photon-counting detectors (PCDs) with energy discrimination capabilities have demonstrated great potentials in various applications of medical x-ray radiography and computed tomography (CT). However, the advantages of PCDs may be compromised by various hardware-related degradation factors. For example, at high count rate, quasi-coincident photons may be piled up and result in not only lost counts but also distorted spectrums, which is called the pulse pileup effects. Considering the relative slow detection speed of current PCDs and high x-ray flux for clinical imaging, it is vital to develop an effective approach to compensate or correct for the pileup effect. The aim of this paper was to develop a model-free, end-to-end, and data-driven approach in the neural network framework. We first introduce the trigger threshold concept to regularize the correction process. Then, we design a fully-connected cascade artificial neural network and train it with measurements and true counts. After training, the network is used to recover raw photon-counting data for higher fidelity. To evaluate the proposed approach, Monte Carlo simulations are conducted. We simulate four types of PCDs combining the unipolar or bipolar pulse shape with the nonparalyzable or paralyzable detection mode. The simulation results demonstrate that the trained neural network decreases the relative error of count averages of raw data by an order of magnitude while maintaining a reasonable variance over a wide range of attenuation paths.

연구 동기 및 목표

• 고조파류 조사 강도에서 발생하는 광자 수세기 검출기(PCD)의 펄스 중첩 효과를 해결하라. 이는 스펙트럼 데이터를 왜곡시키고 이미지 품질을 떨어뜨리는 주요 제약이다.
• 펄스 형상, 중첩 순서, 탐지 메커니즘의 복잡한 물리 모델에 의존하는 기존의 모델 기반 보정 방법의 한계를 극복하라.
• 기본 물리 법칙에 대한 명시적 지식이 필요하지 않은 일반화 가능하고, 민첩하며, 훈련 가능한 데이터 기반 프레임워크를 개발하라.
• 임상 CT에서 에너지 분류를 유지하고 대비를 향상시키기 위해 왜곡된 PCD 측정값에서 진짜 광자 수를 정확하게 복원할 수 있도록 하라.
• 다양한 PCD 유형과 작동 조건에서 실제 훈련 데이터를 생성하기 위해 몬테카를로 시뮬레이션을 사용하는 강력한 훈련 파이프라인을 수립하라.

제안 방법

• 보정 과정을 정규화하고 네트워크 학습을 이끌기 위해 트리거 임계값 개념을 도입하라.
• 왜곡된 PCD 측정값에서 진짜 카운트로의 매핑을 학습하기 위해 완전 연결 캐스케이드 신경망(FCC ANN)을 설계하라.
• 쌍화된 데이터를 사용해 네트워크를 훈련하라: 시뮬레이션된 PCD 측정값(X)과 4단계 정규화 과정을 통해 추정된 진짜 카운트(Ydes)를 사용하라.
• 측정된 데이터(Xdes)를 원하는 X선 조사 강도에서 PPE가 없는 데이터(Ydes)의 평균과 표준편차에 맞추기 위해 데이터 정규화 알고리즘을 적용하라.
• 몬테카를로 시뮬레이션을 사용해 네 가지 PCD 유형에서 훈련 데이터를 생성하라: 양극성/음극성 펄스 형상과 비파라라이저블/파라라이저블 탐지 모드.
• 정규화된 데이터 쌍(X, Ydes)을 사용해 FCC ANN을 엔드 투 엔드 방식으로 훈련시켜 보정된 카운트를 직접 예측할 수 있도록 하라.

실험 결과

연구 질문

• RQ1 복잡한 물리 모델에 의존하지 않고도 데이터 기반 신경망 접근법이 광자 수세기 CT에서 펄스 중첩 왜곡을 효과적으로 보정할 수 있는가?
• RQ2 다양한 PCD 구성에서 왜곡된 측정값에서 진짜 광자 수를 얼마나 정확하게 추정할 수 있는가?
• RQ3 원시의 펄스 중첩으로 인해 열악해진 데이터에 비해 신경망이 카운트 평균의 상대 오차를 얼마나 줄이는가?
• RQ4 다양한 감쇠 경로와 검출기 유형에서 이 방법이 낮은 분산과 높은 정밀도를 유지하는가?
• RQ5 재훈련 없이도 다양한 펄스 형상과 탐지 모드(파라라이저블 대비 비파라라이저블)에 일반화 가능한가?

주요 결과

• 제안된 신경망 접근법은 원시의 펄스 중첩으로 인해 열악해진 데이터에 비해 카운트 평균의 상대 오차를 한 계급 감소시켰다.
• 모든 테스트 조건에서 추정된 진짜 카운트(Ydes)와 시뮬레이션된 진짜 값(Y) 사이의 평균 편차는 1.5% 미만이며, 최대 편차는 5.5% 이하였다.
• 이 방법은 양극성/비파라라이저블, 양극성/파라라이저블, 음극성/비파라라이저블, 음극성/파라라이저블의 네 가지 다른 PCD 구성에서 일관된 성능을 보였다.
• 모든 검출기 유형과 DLR 수준(0.1%, 1%, 10%)에서 평균 편차가 0.3% 이하였으며, PPE가 없는 데이터를 추정하는 데 높은 정확도를 보였다.
• 다양한 감쇠 경로에서 합리적인 분산을 유지하여, 다양한 비례 강도와 재료 두께에 대해 강건함을 입증했다.
• Ydes를 생성하기 위해 사용된 데이터 정규화 과정은 매우 정확했으며, 고수준의 펄스 중첩(10% DLR)에서도 평균 편차가 1.5% 이하였고, 이는 훈련 데이터의 품질을 검증하는 데 기여했다.