[논문 리뷰] Quantitative Comparison of Planar Coded Aperture Imaging Reconstruction Methods

Tobias Meißner, V. Rozhkov외 3명|arXiv (Cornell University)|2022. 04. 29.

Medical Imaging Techniques and Applications인용 수 4

한 줄 요약

이 논문은 실험적 감마카메라 데이터를 사용하여 평면형 코딩 어퍼처 영상(Planar Coded Aperture Imaging, CAI)의 분석적 방법과 딥러닝 기반 복원 방법을 정량적으로 비교한다. 저자들은 특수하게 최적화된 컨volutional 인코더-디코더(Convolutional Encoder-Decoder, CED) 모델이 MURA 디코딩 및 MLEM과 같은 전통적 방법보다 복원 품질(대비-노이즈비율 1.37–2.60배 향상)과 속도(300ms)에서 뛰어나며, 저해상도의 합성 학습 데이터를 사용함에도 불구하고, 핵영상 분야에서 데이터 기반 접근 방식의 잠재력을 입증한다.

ABSTRACT

Imaging distributions of radioactive sources plays a substantial role in nuclear medicine as well as in monitoring nuclear waste and its deposit. Coded Aperture Imaging has been proposed as an alternative to parallel or pinhole collimators, but requires image reconstruction as an extra step. Multiple reconstruction methods with varying run time and computational complexity have been proposed. Yet, no quantitative comparison between the different reconstruction methods has been carried out so far. This paper focuses on a comparison based on three sets of hot-rod phantom images captured with an experimental Gamma-camera consisting of a Tungsten-based MURA mask with a 2mm thick 256x256 pixelated CdTe semiconductor detector coupled to a Timepix readout circuit. Analytical reconstruction methods, MURA Decoding, Wiener Filter and a convolutional Maximum Likelihood Expectation Maximization (MLEM) algorithm were compared to data-driven Convolutional Encoder-Decoder (CED) approaches. The comparison is based on the contrast-to-noise ratio as it has been previously used to assess reconstruction quality. For the given set-up, MURA Decoding, the most commonly used CAI reconstruction method, provides robust reconstructions despite the assumption of a linear model. For single image reconstruction, however, MLEM performed best among analytical reconstruction methods, but took the longest with an average of 13s run time. The fastest reconstruction method is the Wiener Filter with 67ms and mediocre quality. The CED with a specifically tailored training set was able to succeed the most commonly used MURA decoding on average by a factor between 1.37 and 2.60 and a run time of around 300ms.

연구 동기 및 목표

• 실제 실험 환경에서 평면형 코딩 어퍼처 영상(CAI)의 분석적 및 데이터 기반 복원 방법의 성능을 정량적으로 평가하는 것.
• 대비-노이즈비율(CNR)이라는 표준 지표를 사용해 복원 품질, 계산 시간, 내성 간의 상호 상충 관계를 다수의 방법에 대해 평가하는 것.
• 특정 응용 분야에 맞는 학습 데이터를 사용한 딥러닝 기반 복원 기법이 MURA 디코딩 및 MLEM과 같은 기존 분석적 방법을 능가할 수 있는지 조사하는 것.
• 미래의 벤치마킹을 위해 세 개의 핫로드 송진체에서 유래한 고해상도 코딩 어퍼처 영상 데이터셋을 공개 제공하는 것.
• 이러한 맥락에서 처음으로 복합형 기반 MLEM 알고리즘을 실험 데이터에 재현하고 검증하는 것.

제안 방법

• 연구는 256×256 픽셀의 CdTe 검출기와 2mm 두께의 Wolfram 기반 MURA 마스크를 갖춘 감마카메라에서 확보한 실험 데이터를 사용하며, 고정된 물체-카메라 거리에서 세 개의 핫로드 송진체의 영상을 촬영한다.
• 분석적 복원 방법으로는 MURA 디코딩(선형 모델), 위너 필터(주파수 도메인 역상호작용), 이전에 제안된 방법에 기반한 복합형 MLEm 알고리즘을 포함한다.
• 데이터 기반 방법은 합성 데이터로 훈련된 컨볼루션 인코더-디코더(CED) 신경망 아키텍처를 사용하며, 두 가지 변형이 있다: 자연 사진을 사용하는 경우와 원천 특화 합성 송진체를 사용하는 경우.
• 복원 품질 평가에는 핵영상 분야에서 표준 지표인 대비-노이즈비율(CNR)을 사용하며, 모든 송진체와 복원 유형에 대해 계산된다.
• CED는 근접장 효과, 투과율, 산산이 흩트림 현상을 무시하는 시뮬레이션 데이터로 훈련되며, 이는 실제 실험 데이터와의 도메인 갭을 생성한다.
• 모든 방법은 단일 영상 및 이중 영상 복원 시나리오 양쪽 모두에서 평가되어, 다양한 광자 통계와 노출 시간 조건 하에서의 성능을 분석한다.

실험 결과

연구 질문

• RQ1 실제 실험 데이터에서 기존의 분석적 CAI 복원 방법(MURA 디코딩, 위너 필터, MLEM)은 복원 품질과 계산 시간 측면에서 어떻게 비교되는가?
• RQ2 합성 데이터로 훈련된 데이터 기반 딥러닝 접근 방식(CED)이 복원 품질과 속도 양면에서 분석적 방법을 능가할 수 있는가?
• RQ3 CED의 학습 데이터에 응용 분야 특화 사전 지식을 통합하면 일반적인 학습 데이터를 사용한 경우보다 복원 성능이 향상되는가?
• RQ4 합성 학습 데이터와 실제 실험 데이터 사이의 도메인 갭은 데이터 기반 CAI 복원의 성능에 얼마나 큰 영향을 미치는가?
• RQ5 복합형 기반 MLEm 알고리즘은 실험적 CAI 데이터에 성공적으로 재현되고 검증될 수 있으며, 다른 분석적 방법과 비교해 어떤가?

주요 결과

• 가장 널리 사용되는 분석적 방법인 MURA 디코딩은 선형 시스템 모델에 의존함에도 불구하고 안정적인 복원을 제공하므로 신뢰할 수 있는 기준이 된다.
• 분석적 방법 중에서 MLEM은 평균 13초의 복원 시간이 소요되나 가장 높은 복원 품질을 달성하며, 실시간 응용에는 부적합하다.
• 위너 필터는 67ms의 빠른 실행 시간을 보이며 가장 빠른 방법이지만, 복원 품질은 평균 수준에 머물러 있어 품질-속도의 상충 관계가 뚜렷하다.
• 특정 응용 분야에 맞춘 학습 데이터를 사용한 CED는 세 송진체 전반에서 대비-노이즈비율(CNR)을 MURA 디코딩 대비 1.37~2.60배 향상시키며, 뛰어난 영상 품질을 입증한다.
• 특화된 학습 데이터를 사용한 CED는 약 300ms 내에 이 성능 향상을 달성하며, MLEM보다 훨씬 빠른 속도를 보이며 동시에 품질 면에서도 앞선다.
• 낮은 품질의 합성 학습 데이터를 사용함에도 불구하고 CED 방법은 실제 실험 데이터로의 일반화 능력이 뛰어나며, 더 나은 시뮬레이션을 통한 도메인 갭 완화가 성능 향상에 더 큰 기여를 할 수 있음을 시사한다.