[논문 리뷰] On the Benefit of Dual-domain Denoising in a Self-supervised Low-dose CT Setting

Fabian Wagner, Mareike Thies외 10명|arXiv (Cornell University)|2022. 11. 02.

Medical Imaging Techniques and Applications인용 수 4

한 줄 요약

이 논문은 고용량 기준이 필요 없이 투과 영역과 영상 영역에서 동시에 노이즈 제거를 최적화하는 종단간(end-to-end), 자기지도(self-supervised), 双영역(dual-domain) 노이즈 제거 파이프라인을 저선량 CT에 대해 제안한다. 복부 CT에서 저선량 기준 대비 최대 94.1% 향상된 PSNR를 달성했고, XRM 데이터에서는 2.9% 향상된 PSNR를 기록하였다. 이는 투과 영역에서의 조기 노이즈 억제가 최종 영상 품질 향상에 크게 기여함을 보여준다.

ABSTRACT

Computed tomography (CT) is routinely used for three-dimensional non-invasive imaging. Numerous data-driven image denoising algorithms were proposed to restore image quality in low-dose acquisitions. However, considerably less research investigates methods already intervening in the raw detector data due to limited access to suitable projection data or correct reconstruction algorithms. In this work, we present an end-to-end trainable CT reconstruction pipeline that contains denoising operators in both the projection and the image domain and that are optimized simultaneously without requiring ground-truth high-dose CT data. Our experiments demonstrate that including an additional projection denoising operator improved the overall denoising performance by 82.4-94.1%/12.5-41.7% (PSNR/SSIM) on abdomen CT and 1.5-2.9%/0.4-0.5% (PSNR/SSIM) on XRM data relative to the low-dose baseline. We make our entire helical CT reconstruction framework publicly available that contains a raw projection rebinning step to render helical projection data suitable for differentiable fan-beam reconstruction operators and end-to-end learning.

연구 동기 및 목표

• 기존 자기지도 기반 CT 노이즈 제거 방법이 영상 영역에서만 작동하여 투과 데이터의 조기 노이즈 억제를 놓치는 한계를 해결하기 위해.
• 쌍체 고용량 데이터가 필요 없이 투과 영역과 영상 영역에서 동시에 노이즈 제거를 최적화할 수 있는 종단간 학습 가능한 파이프라인을 개발하기 위해.
• 이중 영역 노이즈 제거가 단일 영역 후처리 노이즈 제거보다 우수한 영상 품질을 제공하는지 확인하기 위해.
• 나선형 CT 데이터의 재배열 및 재구성에 대해 완전히 미분 가능한 오픈소스 프레임워크를 공개하여 향후 이중 영역 및 자기지도 기반 CT 파이프라인 연구를 촉진하기 위해.

제안 방법

• 이 방법은 미분 가능한 재구성 연산자 R과 두 개의 학습 가능한 노이즈 제거 모듈인 투과 영역에서의 D_proj^w와 영상 영역에서의 D_img^w를 사용한다.
• 파이프라인은 전체 체인 D_proj^w → R → D_img^w → 손실에 대해 역전파를 통해 종단간으로 학습되며, 두 노이즈 제거기의 공동 최적화를 가능하게 한다.
• 고용량 기준이 없는 상태에서 학습할 수 있도록, 분할된 투과 스택에서 독립적으로 재구성된 두 뷰 간의 자기지도 기반 손실이 계산된다.
• 미분 가능한 재구성에 적합한 팬빔 형식으로 나선형 CT 데이터를 변환하기 위해 원시 투과 데이터 재배열 단계가 포함되어 있다.
• 두 영역 모두에서 다양한 미분 가능한 노이즈 제거 아키텍처(예: U-Net, BFs)를 유연하게 통합할 수 있도록 지원한다.
• 전체 파이프라인은 독립적인 투과 스플릿에서 유도된 두 개의 노이즈 제거 재구성 간의 특징 유사도를 기반으로 한 대비 손실(constrastive loss)을 사용해 학습된다.

Fig. 1 : Overview of the proposed trainable dual-domain and self-supervised CT denoising pipeline.

실험 결과

연구 질문

• RQ1 영상 영역에서만 작동하는 기존 방법에 비해 투과 영역에서의 노이즈 제거를 통합함으로써 저선량 CT 재구성 성능 향상이 이루어지는가?
• RQ2 고용량 기준이 없는 상태에서 종단간 학습 가능한 파이프라인을 통해 투과 영역과 영상 영역에서 동시에 노이즈 제거를 최적화할 수 있는가?
• RQ3 의료 및 전임상 CT 데이터에서 이중 영역 노이즈 제거가 단일 영역 후처리 노이즈 제거와 비교해 정량적·정성적으로 어떻게 다른가?
• RQ4 투과 영역에서의 조기 노이즈 억제가 이후 영상 노이즈 제거 작업을 얼마나 단순화하는가?
• RQ5 나선형 CT 재배열 및 재구성에 대한 미분 가능한 오픈소스 프레임워크가 이중 영역 및 자기지도 기반 CT 방법의 광범위한 도입을 가능하게 하는가?

주요 결과

• 이중 영역 노이즈 제거 기법은 복부 CT 데이터에서 저선량 기준 대비 PSNR를 82.4–94.1% 향상시키고, SSIM을 12.5–41.7% 향상시켰다.
• X선 마이크로토모그래피(XRM) 데이터에서는 저선량 기준 대비 PSNR가 1.5–2.9% 향상되었고, SSIM은 0.4–0.5% 향상되었다.
• 이중 영역 자기지도 기반 파이프라인은 모든 단일 영역 후처리 기반 기준보다 뛰어난 성능을 보였으며, 투과 영역에서의 조기 노이즈 억제가 유익함을 확인하였다.
• 제안된 프레임워크는 감독 기반 기준과 유사한 성능을 달성했으며, 이중 U-Net 자기지도 모델은 XRM 데이터에서 PSNR 32.5 dB에 도달했다.
• 시각적 검토 결과, 이중 영역 모델이 영상 전용 노이즈 제거보다 노이즈 억제를 더 효과적으로 수행했고, 특히 간 종양과 같은 저대비 영역에서 해부학적 세부 정보를 더 잘 유지했다.
• 오픈소스 나선형 CT 재배열 및 미분 가능한 재구성 프레임워크는 원시 투과 데이터에서 종단간 학습을 가능하게 하여 향후 이중 영역 및 자기지도 기반 CT 연구를 촉진한다.

Fig. 2 : Illustration of the proposed end-to-end self-supervised denoising pipeline. Projections are split in two stacks and reconstructed separately. The loss calculated between denoised prediction and reconstructed target stack is backpropagated through $\mathbf{D}_{\text{img}}^{w}$ and $\mathbf{R