[논문 리뷰] One Network to Solve All ROIs: Deep Learning CT for Any ROI using Differentiated Backprojection

Yoseob Han, Jong Chul Ye|arXiv (Cornell University)|2018. 10. 01.

Medical Imaging Techniques and Applications참고 문헌 3인용 수 3

한 줄 요약

이 논문은 임의의 영역 관심(ROI) 크기, 검출기 피치, 스캔 각도에 대해 일반화 가능한 두 개의 딥러닝 네트워크를 제안한다. 첫 번째 네트워크는 필터드 뒷배산(FBP) 이미지의 컵핑 아티팩트를 보정하고, 두 번째 네트워크는 학습된 유한 힐베르트 변환 역행렬을 사용하여 잘린 미분 뒷배산(DBP) 데이터를 직접 역행렬화하여 반복적 방법에 비해 뛰어난 이미지 품질과 빠른 속도를 달성하며 최소한의 런타임 오버헤드를 가진다.

ABSTRACT

Computed tomography for region-of-interest (ROI) reconstruction has advantages of reducing X-ray radiation dose and using a small detector. However, standard analytic reconstruction methods suffer from severe cupping artifacts, and existing model-based iterative reconstruction methods require extensive computations. Recently, we proposed a deep neural network to learn the cupping artifact, but the network is not well generalized for different ROIs due to the singularities in the corrupted images. Therefore, there is an increasing demand for a neural network that works well for any ROI sizes. In this paper, two types of neural networks are designed. The first type learns ROI size-specific cupping artifacts from the analytic reconstruction images, whereas the second type network is to learn to invert the finite Hilbert transform from the truncated differentiated backprojection (DBP) data. Their generalizability for any ROI sizes is then examined. Experimental results show that the new type of neural network significantly outperforms the existing iterative methods for any ROI size in spite of significantly reduced run-time complexity. Since the proposed method consistently surpasses existing methods for any ROIs, it can be used as a general CT reconstruction engine for many practical applications without compromising possible detector truncation.

연구 동기 및 목표

• 가로질라 프로젝션의 잘림으로 인해 발생하는 심한 컵핑 아티팩트 문제를 해결하기 위해.
• 이전의 딥러닝 모델이 특정 ROI 크기에서만 훈련되어 일반화 능력이 떨어지는 문제를 극복하기 위해.
• 다양한 검출기 크기, 픽셀 차원, 스캔 각도에서 안정적으로 작동하는 재구성 방법을 개발하기 위해.
• 모델 기반 반복적 재구성보다 계산 복잡도를 낮추면서도 높은 이미지 품질을 유지하기 위해.
• 일반적인 재구성 엔진을 개발하여 실용적인 임상적 활용을 가능하게 하기 위해.

제안 방법

• FBP 재구성 이미지에서 컵핑 아티팩트를 제거하는 데 학습하는 Type I 네트워크를 설계하며, 이는 특이적이고 ROI 크기에 의존하는 특성을 가진다.
• DBP 데이터로부터 잘린 힐베르트 변환의 역행렬을 수행하는 데 U-Net 아키텍처를 사용하여 훈련된 Type II 네트워크를 개발한다.
• 다양한 검출기 크기와 각도 시작 위치를 활용한 데이터 증강 기법을 통해 Type II 네트워크의 일반화 능력을 향상시킨다.
• 검출기 및 각도 증강을 적용하여 과적합을 줄이고 잘림 변동에 대한 강건성을 향상시킨다.
• 유한 힐베르트 변환 역행렬을 위한 영역 파라미터와 컨volution 커널을 학습하는 가역적 역행렬 프레임워크를 구현한다.
• 동일한 U-Net 아키텍처를 사용하여 두 네트워크를 훈련하지만, Type I는 FBP 이미지를 입력으로, Type II는 DBP 데이터를 입력으로 사용한다.

실험 결과

연구 질문

• RQ1 재훈련 없이 다양한 ROI 크기 간에 일반화 가능한 딥러닝 모델이 가능한가?
• RQ2 FBP 이미지보다 DBP 데이터를 입력으로 사용할 경우 일반화 능력이 향상되는가?
• RQ3 다양한 검출기 크기와 스캔 각도를 활용한 데이터 증강이 네트워크의 일반화에 어떤 영향을 미치는가?
• RQ4 단일 신경망 아키텍처가 다양한 촬영 파rameter에서 고품질 이미지를 효과적으로 재구성할 수 있는가?
• RQ5 Type II 네트워크의 유한 힐베르트 변환 직접 역행렬화가 FBP 아티팩트 후처리보다 우수한가?

주요 결과

• DBP 데이터를 역행렬화하는 Type II 네트워크는 ROI 크기, 검출기 피치, 스캔 각도 간에 Type I 네트워크보다 훨씬 뛰어난 일반화 능력을 보였다.
• Type II 네트워크는 기존의 반복적 재구성 방법보다 뛰어난 이미지 품질을 달성하였으며, 런타임 복잡도도 낮았다.
• 검출기 및 각도 데이터 증강은 Type II 네트워크의 일반화 능력을 향상시켰지만, 과도한 검출기 증강은 다양한 잘림 비율을 평균화하는 데 기인해 성능을 약간 저하시켰다.
• DBP 데이터에는 FBP 이미지에서 스틸링을 유도하는 램프 필터링이 없기 때문에 Type II 네트워크는 희박한 시야 및 단축 스캔 아티팩트에 덜 민감하다.
• Type II 네트워크는 다양한 촬영 조건, 즉 다양한 검출기 크기와 각도 시작 위치에서도 일관된 성능을 유지하였다.
• 제안된 방법은 정량적 지표와 시각적 품질 모두에서 최신의 반복적 재구성 기법을 뛰어넘었으며, 뚜렷한 런타임 속도 향상을 보였다.