[논문 리뷰] Patch-Based Denoising Diffusion Probabilistic Model for Sparse-View CT Reconstruction

Wenjun Xia, Wenxiang Cong외 1명|arXiv (Cornell University)|2022. 11. 18.

Medical Imaging Techniques and Applications인용 수 11

한 줄 요약

이 논문은 완전히 샘플링된 투과 데이터에서 추출한 패치를 사용해 쌍이 없는 데이터 없이도 비지도 학습이 가능한 패치 기반 노이즈 제거 확률적 모델(DDPM)을 제안하며, 이는 동시에 병렬 추론과 효과적인 잡음 억제를 가능하게 하여 세밀한 무늬를 유지한다. 이 방법은 NIH-AAPM-Mayo Clinic 데이터셋에서 PSNR 38.69와 SSIM 0.9132의 최신 기술 수준 성능을 달성한다.

ABSTRACT

Sparse-view computed tomography (CT) can be used to reduce radiation dose greatly but is suffers from severe image artifacts. Recently, the deep learning based method for sparse-view CT reconstruction has attracted a major attention. However, neural networks often have a limited ability to remove the artifacts when they only work in the image domain. Deep learning-based sinogram processing can achieve a better anti-artifact performance, but it inevitably requires feature maps of the whole image in a video memory, which makes handling large-scale or three-dimensional (3D) images rather challenging. In this paper, we propose a patch-based denoising diffusion probabilistic model (DDPM) for sparse-view CT reconstruction. A DDPM network based on patches extracted from fully sampled projection data is trained and then used to inpaint down-sampled projection data. The network does not require paired full-sampled and down-sampled data, enabling unsupervised learning. Since the data processing is patch-based, the deep learning workflow can be distributed in parallel, overcoming the memory problem of large-scale data. Our experiments show that the proposed method can effectively suppress few-view artifacts while faithfully preserving textural details.

연구 동기 및 목표

• 제한된 투과 데이터로 인해 심각한 영상 잡음이 발생하는 희박한 시야 CT 재구성 문제를 해결하기 위해.
• 저선량 또는 소수의 시야 CT에서 잡음 제거에 어려움을 겪는 영역 기반 딥 러닝 모델의 한계를 극복하기 위해.
• 재구성에 필요한 쌍이 있는 전면 샘플링 및 저해상도 데이터가 없이도 비지도 학습을 가능하게 하기 위해.
• 패치 기반 처리를 통해 대규모 또는 3D CT 재구성에 대해 메모리 효율적이고 확장 가능한 방법을 개발하기 위해.
• 희박한 시야 CT에서 노이즈와 줄무늬 잡음을 억제하면서도 구조적 및 무늬 세부 정보를 유지하기 위해.

제안 방법

• 완전히 샘플링된 투과 데이터에서 추출한 패치를 기반으로 노이즈 제거 확률적 모델(DDPM)을 학습하여, 쌍이 없는 데이터 없이도 비지도 학습이 가능하도록 한다.
• 저해상도 투과 데이터에 대해 역방향 확산을 수행하여 패치를 노이즈 제거함으로써 고품질의 투과 데이터를 재구성한다.
• 투과 영역 전역에서 겹침을 허용하고 병렬 처리가 가능한 64×64 크기의 패치를 스트라이드 32로 추출한다.
• 표준 DDPM 설정에 따라 t ∈ [0,1] 범위에서 β(t) 스케줄을 10⁻⁴에서 0.02로 설정한 연속 시간 확산 과정을 사용한다.
• 목표 투과 구조로 유도하기 위해 γ = 1.0과 η = 0.1을 사용한 조건부 생성을 적용한다.
• 최종적으로, 노이즈 제거된 패치로 조립된 투과 데이터로부터 필터드 백프로젝션(FBP)을 통해 CT 영상을 재구성한다.

실험 결과

연구 질문

• RQ1 쌍이 없는 훈련 데이터가 없이도 패치 기반 확산 모델이 희박한 시야 CT 영상을 효과적으로 재구성할 수 있는가?
• RQ2 패치 기반 접근 방식이 대규모 또는 3D CT 데이터셋 처리 시 메모리 제약을 극복할 수 있는가?
• RQ3 DDPM 기반 방법이 기존 후처리 네트워크보다 더 나은 세밀한 무늬와 구조적 세부 정보를 유지하는가?
• RQ4 제안된 방법은 FBP 및 기타 딥 러닝 방법과 비교해 잡음 억제 및 영상 품질 지표에서 어떻게 성능을 내는가?
• RQ5 비지도 DDPM 학습이 높은 정밀도 재구성과 함께 잘못된 특징과 흐림을 최소화할 수 있는가?

주요 결과

• 제안된 방법은 테스트 세트에서 PSNR 38.69와 SSIM 0.9132를 달성하여 FBP(PSNR: 26.41, SSIM: 0.5608)를 크게 능가했다.
• 노이즈 파wer 스펙트럼 분석(NPS) 결과 재구성 오차가 중주파수 대역에 집중되어 있음을 확인하여, 눈에 보기에 자연스러운 노이즈 특성을 보였다.
• 특히 저대비도 영역에서 흔히 발생하는 줄무늬 및 줄무늬 유사 잡음 억제에 효과적이었으며, FBP 재구성에서 흔한 문제를 효과적으로 해결했다.
• 재구성 영상의 무늬 세부 정보는 최소한의 흐림이나 잘못된 특징 없이 유지되었으며, 인지적 충실도 측면에서 GAN 기반 방법보다 뛰어났다.
• 패치 기반 설계 덕분에 병렬 추론이 가능하여 고해상도 및 3D CT 응용 분야에 대해 확장 가능한 방법이 되었다.
• RTX A5000 GPU에서 Adam 옵timizer를 사용해 학습률 1×10⁻⁴로 200,000 반복 후 안정적으로 수렴하였다.