[논문 리뷰] Photoacoustic Image Reconstruction Beyond Supervised to Compensate Limit-view and Remove Artifacts

Hengrong Lan, Changchun Yang외 2명|arXiv (Cornell University)|2020. 12. 04.

Photoacoustic and Ultrasonic Imaging인용 수 2

한 줄 요약

이 논문은 완벽한 지상 진실이 없더라도 한정된 시야 데이터로부터 잡음 없는 전체 시야 광음향 영상 재구성하는 데에 새로운 딥러닝 프레임워크인 BSR-Net을 제안한다. 위치 기반 데이터 피드와 두 가지 맞춤형 손실 함수를 사용함으로써, 지상 진실이 불완전한 경우에도 잡음이 크게 감소하며, 수치적 실험과 생체 내 실험 모두에서 뛰어난 성능을 보여준다.

ABSTRACT

Photoacoustic computed tomography (PACT) reconstructs the initial pressure distribution from raw PA signals. Standard reconstruction always induces artifacts using limited-view signals, which are influenced by limited angle coverage of transducers, finite bandwidth, and uncertain heterogeneous biological tissue. Recently, supervised deep learning has been used to overcome limited-view problem that requires ground-truth. However, even full-view sampling still induces artifacts that cannot be used to train the model. It causes a dilemma that we could not acquire perfect ground-truth in practice. To reduce the dependence on the quality of ground-truth, in this paper, for the first time, we propose a beyond supervised reconstruction framework (BSR-Net) based on deep learning to compensate the limited-view issue by feeding limited-view position-wise data. A quarter position-wise data is fed into model and outputs a group full-view data. Specifically, our method introduces a residual structure, which generates beyond supervised reconstruction result, whose artifacts are drastically reduced in the output compared to ground-truth. Moreover, two novel losses are designed to restrain the artifacts. The numerical and in-vivo results have demonstrated the performance of our method to reconstruct the full-view image without artifacts.

연구 동기 및 목표

• 초음파 영상 촬영 기구의 각도 범위와 조직의 이질성으로 인해 발생하는 한정된 시야 데이터로 인한 광음향 단층촬영(PACT)에서 지속적인 잡음 문제를 해결하기 위해.
• 실제로 자주 이용할 수 없는 고품질의 지상 진실이 필요로 하는 감독 기반 딥러닝의 한계를 극복하기 위해.
• 초과 감독 학습 방식을 도입함으로써 지상 진실의 품질에 의존하는 잡음을 줄이는 재구성 프레임워크를 개발하기 위해.
• 데이터 효율적이고 위치 기반 학습 전략을 사용하여, 한정된 시야 입력으로부터 고해상도 전체 시야 영상 재구성 가능하게 하기 위해.

제안 방법

• 한정된 시야에서 전체 시야 광음향 영상으로의 매핑을 학습하기 위해 잔차 신경망 아키텍처를 사용하여 효과적인 특징 학습과 잡음 억제를 가능하게 한다.
• 한정된 시야 입력의 위치 기반 데이터의 1/4만을 사용하여 모델을 훈련함으로써 데이터 효율성을 높이고 계산 부담을 줄인다.
• 재구성된 영상의 잡음을 특별히 타겟으로 삼고 억제하기 위해 두 가지 새로운 손실 함수를 설계하였다.
• 초과 감독 방식으로 작동하여 완벽한 지상 진실이 필요 없으며, 실제 데이터의 불완전성에 대해 강건함을 확보한다.
• 공간적 위치 정보를 활용하여 재구성 과정을 안내함으로써 전체 시야 출력에서 구조적 일관성을 확보한다.
• 전체 시야 영상이 한정된 시야 신호에서 직접 생성되도록 엔드 투 엔드로 훈련함으로써 사전 가정을 최소화한다.

실험 결과

연구 질문

• RQ1 완벽한 지상 진실에 의존하지 않고도 한정된 시야 데이터로부터 전체 시야 광음향 영상 재구성할 수 있는가?
• RQ2 지상 진실이 불완전하거나 이용 불가능한 경우 초과 감독 학습 방식이 잡음 억제에 얼마나 효과적인가?
• RQ3 한정된 시야 광음향 영상 재구성에서 잡음 억제에 가장 효과적인 손실 함수는 무엇인가?
• RQ4 위치 기반 데이터 피드 전략은 최소한의 데이터 입력으로도 재구성 품질을 향상시킬 수 있는가?
• RQ5 잔차 신경망 아키텍처는 고품질 학습 레이블가 없는 상황에서 잡음 감소에 어떻게 기여하는가?

주요 결과

• BSR-Net은 완벽한 지상 진실 없이도 극적으로 감소된 잡음으로 전체 시야 광음향 영상 재구성에 성공하였다.
• 지상 진실이 손상된 경우 기존의 감독 기반 접근 방식보다 잡음 억제 성능에서 뛰어나게 우월하였다.
• 제안된 두 가지 새로운 손실 함수는 훈련 중 잡음 생성을 타겟으로 삼아 영상 품질을 크게 향상시켰다.
• 수치적 결과는 BSR-Net이 한정된 시야 조건에서 기준 방법보다 뛰어난 영상 품질을 달성함을 확인하였다.
• 생체 내 실험 결과 BSR-Net이 실제 생물 조직에서 실용적으로 적용 가능함을 입증하였으며, 명확한 잡음 감소와 개선된 구조적 세부 정보를 보여주었다.
• 훈련 시 위치 기반 데이터의 단지 1/4만을 사용함에도 불구하고 높은 재구성 품질을 유지하여 데이터 효율성을 입증하였다.