[논문 리뷰] Ring Artifact Correction in Photon-Counting Spectral CT Using a Convolutional Neural Network With Spectral Loss

Dennis Hein, Konstantinos Liappis외 3명|arXiv (Cornell University)|2023. 02. 02.

Advanced X-ray and CT Imaging인용 수 4

한 줄 요약

이 논문은 물질 기반 이미지에서 L1 손실과 70 keV 가상 단에너지 이미지에서의 지각 손실을 조합한 새로운 스펙트럼 손실을 사용하는 UNet 기반의 딥러닝 기반 후처리 방법을 제안한다. 이는 광자 수세기 스펙트럼 CT에서 고리 아티팩트를 보정하기 위한 것이다. 이 방법은 높은 품질의 40, 70, 100 keV 가상 단에너지 이미지를 생성하면서도 세부 해부학적 구조를 유지하면서 고리 아티팩트를 효과적으로 감소시키며, 실시간 검출기 校정이 필요하지 않다.

ABSTRACT

Photon-counting spectral computed tomography is now clinically available. These new detectors come with the promise of higher contrast-to-noise ratio and spatial resolution and improved low-dose imaging. However, one important design consideration is to build detector elements that are sufficiently homogeneous. In practice, there will always be a degree of inhomogeneity in the detector elements, which will materialize as variations in the energy bin thresholds. Without proper detector calibration, this will lead to streak artifacts in the sinograms and corresponding ring artifacts in the reconstructed images, which limit their clinical usefulness. Since detector calibration is a time-consuming process, having access to a fast ring correction technique may greatly improve workflow. In this paper, we propose a deep learning-based post-processing technique for ring artifact correction in photon-counting spectral CT. We train a UNet with a custom loss to correct for ring artifacts in the material basis images. Our proposed loss is made ``task-aware'' by explicitly incorporating the fact that we are working with spectral CT by combining a L1-loss operating on the material basis images with a perceptual loss, using VGG16 as feature extractor, operating on 70 keV virtual monoenergetic images. Our results indicate that using this novel loss greatly improves performance. We demonstrate that our proposed method can successfully produce ring corrected 40, 70, and 100 keV virtual monoenergetic images.

연구 동기 및 목표

• 검출기 비균일성과 에너지 임계값 변동으로 인해 발생하는 광자 수세기 스펙트럼 CT에서의 고리 아티팩트를 해결하기 위해.
• 시간이 오래 걸리는 검출기 校정의 대안으로서 빠른 후처리 방법을 개발하기 위해.
• 고리 아티팩트를 보정하면서 진단에 유용한 세부 구조를 유지함으로써 스펙트럼 CT의 영상 품질을 향상시키기 위해.
• 스펙트럼 CT 영상 복원에 적합한 임무 인식 손실 함수(일반화된 L1 손실과 지각 손실의 조합)의 효과를 탐색하기 위해.
• 다양한 에너지 수준에서 임상적으로 관련성이 있는 가상 단에너지 이미지에 대해 이 방법의 성능을 평가하기 위해.

제안 방법

• 고리 아티팩트를 물질 기반 이미지 도메인에서 직접 보정하기 위해 U-Net 아키텍처를 학습시켰다.
• 물질 기반 이미지에서의 픽셀 단위 L1 손실과 70 keV 가상 단에너지 이미지에서의 지각 손실을 조합한 맞춤형 스펙트럼 손실 함수를 사용하였다.
• 지각 손실은 사전 학습된 VGG16 네트워크의 특징을 사용하여 질감과 구조적 세부 정보를 유지하였다.
• 흉부 및-abdomen의 임상 CT 스캔에서 추출한 512×512 픽처를 기반으로 네트워크를 학습시켰다.
• 극좌표 공간으로의 좌표 변환 없이 영역 도메인에서 작동하여 구현을 단순화하였다.
• 정밀도와 지각 품질을 균형 있게 유지하기 위해 L1 손실과 지각 손실의 조합을 사용하여 엔드 투 엔드로 학습하였다.

실험 결과

연구 질문

• RQ1 스펙트럼 도메인 처리에 의존하지 않고도 딥러닝 모델이 광자 수세기 스펙트럼 CT에서 고리 아티팩트를 효과적으로 보정할 수 있는가?
• RQ2 L1 손실과 지각 손실을 조합한 스펙트럼 손실이 아티팩트 보정과 함께 세밀한 해부학적 세부 구조를 유지하는 데 효과적인가?
• RQ3 이 방법은 다양한 에너지 수준(40, 70, 100 keV)에서의 가상 단에너지 이미지에 대해 얼마나 잘 일반화되는가?
• RQ4 현재 학습 데이터가 제한된 해부학적 영역(예: 두개부)에서 고리 아티팩트를 처리할 수 있는가?
• RQ5 표준 L1 또는 L2 손실보다 제안된 스펙트럼 손실이 스펙트럼 CT 고리 보정에 더 효과적인가?

주요 결과

• 제안된 방법은 잔류 아티팩트가 최소화된 40, 70, 100 keV 가상 단에너지 이미지를 성공적으로 생성하였다.
• L1 손실과 지각 손실을 조합한 스펙트럼 손실 사용은 표준 손실 함수 대비 영상 품질을 크게 향상시켰다.
• 네트워크는 과도한 부드러움이 흔한 L1 단독 접근 방식과는 달리 세밀한 디테일과 질감을 유지하였다.
• 이 방법은 흉부 및 복부 스캔에서 양호한 성능을 보였지만, 이 해부학적 영역에서의 학습 데이터 부족으로 두개부 스캔에서 고리 아티팩트 처리에 어려움을 겪었다.
• 초기 광역 손실(WGAN-GP) 실험은 성능 향상에 기여하지 못했고, 높은 계산 비용으로 인해 포기되었다.
• 스펙트럼 CT에서 일반화를 위해 더 큰 패치 크기(512×512)가 필요하다는 것이 확인되었으며, 작은 패치 크기(예: 128×128)는 낮은 성능을 초래하였다.