[논문 리뷰] Noise Entangled GAN For Low-Dose CT Simulation

Chuang Niu, Ge Wang외 9명|arXiv (Cornell University)|2021. 02. 18.

Medical Imaging Techniques and Applications참고 문헌 9인용 수 12

한 줄 요약

이 논문은 고선량 CT(HDCT) 스캔에서 직접 저선량 CT(LDCT) 영상을 현실적으로 시뮬레이션할 수 있는 딥러닝 기반 방법인 노이즈 엔트레인지드 GAN(NE-GAN)을 제안한다. HDCT를 청소된 이미지와 고선량 노이즈 성분으로 분해함으로써, NE-GAN은 스케일된 노이즈를 청소된 이미지에 엔트레인하여 제어 가능한 노이즈 수준에서 LDCT 영상을 생성한다. 이는 원시 투과 데이터나 스캐너 전용 파rameter가 필요 없이도 빠르고 고정밀도의 시뮬레이션을 가능하게 한다.

ABSTRACT

We propose a Noise Entangled GAN (NE-GAN) for simulating low-dose computed tomography (CT) images from a higher dose CT image. First, we present two schemes to generate a clean CT image and a noise image from the high-dose CT image. Then, given these generated images, an NE-GAN is proposed to simulate different levels of low-dose CT images, where the level of generated noise can be continuously controlled by a noise factor. NE-GAN consists of a generator and a set of discriminators, and the number of discriminators is determined by the number of noise levels during training. Compared with the traditional methods based on the projection data that are usually unavailable in real applications, NE-GAN can directly learn from the real and/or simulated CT images and may create low-dose CT images quickly without the need of raw data or other proprietary CT scanner information. The experimental results show that the proposed method has the potential to simulate realistic low-dose CT images.

연구 동기 및 목표

• 원시 투과 데이터나 특수 스캐너 파라미터가 필요 없는 빠르고 데이터 효율적인 저선량 CT 영상 시뮬레이션 방법을 개발하기 위해.
• 노이즈의 통계적 성질, 예를 들어 노이즈 파wer 스펙트럼(NPS)을 유지하는 현실적인 LDCT 영상을 생성하여 노이즈 제거 알고리즘의 강건한 평가를 가능하게 하기 위해.
• 학습 가능한 노이즈 요소를 통해 시뮬레이션된 LDCT 영상의 노이즈 수준을 연속적이고 제어 가능한 방식으로 조절할 수 있도록 하여 다양한 훈련 및 테스트 시나리오를 지원하기 위해.
• 기존의 시노그램 기반 LDCT 시뮬레이션 기법이 원시 데이터 접근이나 복잡한 모델링이 필요로 하는 느린 속도와 제한점을 극복하기 위해.
• 대규모 고정밀도 시뮬레이션 데이터를 활용하여 LDCT 노이즈 제거 모델의 강건성 평가를 위한 확장 가능한 가상의 CT 워크플로우를 구축하기 위해.

제안 방법

• 노이즈 제거 네트워크 또는 CT 시뮬레이션 기반 접근을 사용하여 고선량 CT(HDCT) 영상을 청소된 CT 영상과 고선량 노이즈 영상으로 분해한다.
• 청소된 영상과 노이즈 요소를 통해 스케일된 고선량 노이즈 영상(노이즈 요소를 통해)을 입력으로 받아 시뮬레이션된 LDCT 영상으로 매핑하는 노이즈 엔트레인지드 GAN(NE-GAN)을 훈련한다.
• 생성자와 다수의 판별기로 구성된 NE-GAN을 설계하며, 판별기의 수는 훈련 중에 사전 정의된 노이즈 수준의 수와 일치시킨다.
• 생성자에 대해 노이즈의 구조와 통계적 성질(예: 노이즈 파워 스펙트럼(NPS) 및 분산 지도)을 유지하도록 제약을 가하는 손실 함수를 사용한다.
• 실제 및 시뮬레이션된 CT 영상 모두를 사용하여 엔드 투 엔드 훈련을 수행함으로써, 원시 시노그램 데이터가 필요 없이도 현실적인 노이즈 패턴을 학습할 수 있도록 한다.
• 훈련된 NE-GAN을 사용하여 노이즈 요소를 조절함으로써 다양한 노이즈 수준(훈련 범위를 초월한 수준 포함)에서 LDCT 영상을 생성한다.

실험 결과

연구 질문

• RQ1 원시 투과 데이터나 스캐너 전용 파rameter가 없는 깊이 생성 모델이 현실적인 저선량 CT 영상을 시뮬레이션할 수 있는가?
• RQ2 NE-GAN 프레임워크는 다양한 선량 수준에서 노이즈 파워 스펙트럼(NPS)과 같은 노이즈의 통계적 성질을 유지할 수 있는가?
• RQ3 노이즈 엔트레인먼트 메커니즘이 시뮬레이션된 LDCT 영상의 노이즈 수준을 연속적이고 제어 가능한 방식으로 변화시킬 수 있는가?
• RQ4 NE-GAN은 실제 LDCT 스캔과 시각적·통계적으로 구별할 수 없는 LDCT 영상을 생성할 수 있는가?
• RQ5 NE-GAN의 성능은 청소된 영상에 스케일된 노이즈를 직접 추가하는 단순한 노이즈 스케일링 방법보다 뛰어나다고 할 수 있는가?

주요 결과

• NE-GAN은 노이즈 요소가 1.3, 1.8, 3.0일 때 90 mA, 70 mA, 50 mA, 30 mA 등 다양한 선량 수준에서 LDCT 영상을 성공적으로 시뮬레이션하여 CatSim에 의해 생성된 영상과 시각적으로 유사한 결과를 도출했다.
• NE-GAN이 생성한 LDCT 영상의 노이즈 파워 스펙트럼(NPS)은 기준 시뮬레이션 결과와 밀도적으로 유사하여 핵심 통계적 노이즈 성질이 잘 유지됨을 확인했다.
• 노이즈 인덱스 10을 가진 실제 HDCT 영상으로 훈련된 NE-GAN은 노이즈 인덱스 20, 30, 40(노이즈 요소 2.0, 3.0, 4.0)을 가진 LDCT 영상을 생성하였으며, 이는 실제 LDCT 스캔과 시각적으로 유사한 결과를 보였다.
• 단순한 노이즈 스케일링 방법보다 NE-GAN이 우수한 성능을 보였다: 청소된 영상에 스케일된 노이즈를 직접 추가하는 방식은 실제 LDCT 영상의 현실적인 질감과 구조를 재현하지 못했다.
• 훈련 중에 볼 수 없었던 노이즈 요소에 대해서도 모델이 일반화되어 있으며, 요소 값 증가에 따라 노이즈 강도가 매끄럽고 연속적으로 증가하는 경향을 보였다.
• NE-GAN의 시뮬레이션 속도는 기존의 시노그램 기반 방법보다 크게 빠르며, 알고리즘 평가를 위한 대규모 LDCT 데이터셋을 효율적으로 생성할 수 있다.