[논문 리뷰] Pseudo Dual Energy CT Imaging using Deep Learning Based Framework: Initial Study

Sui Li, Yongbo Wang외 5명|arXiv (Cornell University)|2017. 11. 20.

Advanced X-ray and CT Imaging참고 문헌 2인용 수 10

한 줄 요약

이 연구는 단일 에너지 CT(세크) 스캔에서 가짜 双에너지 CT(pDECT) 영상을 생성하기 위해 계단식 딥 컨volution 신경망(CD-ConvNet)을 제안한다. 이는 에너지별 영상 간의 전반적 상관관계와 높은 유사성에 기반한다. 이 방법은 고해상도 pDECT 영상과 정확한 물질 분해를 달성하며, 정량적 결과로 참조 DECT 영상과 밀접한 일치를 보인다 (물: 평균 ± 표준편차 0.45 ± 1.02×10⁻⁸, 뼈: 0.061 ± 6.74×10⁻⁹).

ABSTRACT

Dual energy computed tomography (DECT) has become of particular interest in clinic recent years. The DECT scan comprises two images, corresponding to two photon attenuation coefficients maps of the objects. Meanwhile, the DECT images are less accessible sometimes, compared to the conventional single energy CT (SECT). This motivates us to simulate pseudo DECT (pDECT) images from the SECT images. Inspired by recent advances in deep learning, we present a deep learning based framework to yield pDECT images from SECT images, utilizing the intrinsic characteristics underlying DECT images, i.e., global correlation and high similarity. To demonstrate the performance of the deep learning based framework, a cascade deep ConvNet (CD-ConvNet) approach is specifically presented in the deep learning framework. In the training step, the CD-ConvNet is designed to learn the non-linear mapping from the measured energy-specific (i.e., low-energy) CT images to the desired energy-specific (i.e., high-energy) CT images. In the testing step, the trained CD-ConvNet can be used to yield desired high-energy CT images from the low-energy CT images, and then produce accurate basic material maps. Clinical patient data were employed to validate and evaluate the presented CD-ConvNet approach performance. Both visual and quantitative results demonstrate the presented CD-ConvNet approach can yield high quality pDECT images and basic material maps.

연구 동기 및 목표

• 기존의 단일 에너지 CT(세크) 스캔에서 가짜 双에너지 CT(pDECT) 영상을 시뮬레이션하여 双에너지 CT(DECT)의 제한된 가용성 문제를 해결하기 위해.
• 특징 추출을 향상시키는 계단식 아키텍처를 활용한 딥 러닝을 통해 pDECT 재구성에서 영상 품질을 향상시키기 위해.
• 임상 환자 데이터를 활용하여 제안된 프레임워크의 성능을 검증하고, 영상의 시각적 정밀도와 물질 분해의 정량적 정확도에 중점을 두기 위해.
• CD-ConvNet이 진단 적용에 적합한 신뢰할 수 있는 에너지별 영상을 생성할 수 있음을 입증하기 위해.

제안 방법

• 낮은 에너지에서 높은 에너지 CT 영상으로의 비선형 맵핑을 학습하기 위해, 여러 개의 스택된 컨volution 모듈로 구성된 계단식 딥 컨볼루션 네트워크(CD-ConvNet)가 설계되었으며, 각 모듈은 컨볼루션, 배치 정규화, ReLU 레이어로 구성된다.
• 첫 번째 컨볼루션 네트워크는 낮은 에너지 CT 영상을 初기 가짜 높은 에너지 영상으로 매핑하고, 이후 계단식으로 연결된 네트워크들이 반복적으로 출력을 개선하여 재구성 품질을 향상시킨다.
• 네트워크는 평균 제곱오차(MSE) 손실 함수를 사용하여 훈련된다: $\mathcal{L}(\theta) = \frac{1}{N}\sum_{i=1}^{N}\|X_{\text{PseudoH}} - X_{H}\|^2$, 예측된 영상과 기준 높은 에너지 영상 간의 차이를 최소화한다.
• 최적화에는 배치 크기가 128인 미니배치 확률적 경사하강법(SGD), 운동량 0.7, 가중치 감쇠 $10^{-4}$ 가 사용된다.
• 필터 가중치는 정규분포($\mu=0$, $\sigma=\sqrt{2/M}$)로 초기화되고, 편향은 0으로 초기화된다.
• 훈련에는 7명의 환자로부터의 2,121개의 SECT 슬라이스를, 테스트에는 한 명의 환자로부터의 334개의 슬라이스를 사용하며, 샘플 다양성을 높이기 위해 회전을 통한 데이터 증강 기법을 적용한다.

실험 결과

연구 질문

• RQ1 딥 러닝 기반 프레임워크가 낮은 에너지 SECT 스캔에서 고해상도로 높은 에너지 CT 영상을 효과적으로 시뮬레이션할 수 있는가?
• RQ2 CD-ConvNet의 계단식 아키텍처가 pDECT 재구성에서 단일 컨볼루션 네트워크에 비해 영상 품질을 어떻게 향상시키는가?
• RQ3 생성된 pDECT 영상이 물과 뼈 등가 분율 지도와 같은 정확한 물질 분해를 얼마나 잘 가능하게 하는가?
• RQ4 pDECT에서 유도된 물질 지도의 정량적 지표가 진짜 DECT 스캔의 지표와 비교해 어떤가?

주요 결과

• 시각적 검토 결과, CD-ConvNet이 생성한 가짜 높은 에너지 CT 영상이 기준 높은 에너지 CT 영상과 거의 동일하게 보이며, 인지적 차이가 거의 없음을 확인했다.
• 집중 분석 영역의 확대 분석 결과, 예측된 영상과 기준 영상 간에 강한 구조적 유사성과 강도 유사성이 확인되었다.
• 선택된 선을 따라 그린 선형 프로파일 비교 결과, CD-ConvNet 출력과 기준 영상 간에 거의 동일한 강도 추세를 보였다.
• pDECT 영상에서의 평균 물 등가 분율은 0.45 ± 1.02×10⁻⁸로, DECT 기준값인 0.46 ± 6.72×10⁻⁸와 매우 유사했다.
• pDECT에서의 평균 뼈 등가 분율은 0.061 ± 6.74×10⁻⁹로, DECT 기준값인 0.053 ± 3.86×10⁻⁸보다 略로 높았지만, 미미한 편차이면서도 강한 일치를 보였다.
• 이 방법은 pDECT 영상을 활용해 정확한 물질 분해를 성공적으로 수행하였으며, 이는 이중 에너지 대비가 필요한 진단 응용 분야에서 임상적 잠재력을 입증한다.